KR20240096675A - 무선 시스템용 다중 해상도 csi 피드백을 위한 방법 및 장치 - Google Patents
무선 시스템용 다중 해상도 csi 피드백을 위한 방법 및 장치 Download PDFInfo
- Publication number
- KR20240096675A KR20240096675A KR1020247018575A KR20247018575A KR20240096675A KR 20240096675 A KR20240096675 A KR 20240096675A KR 1020247018575 A KR1020247018575 A KR 1020247018575A KR 20247018575 A KR20247018575 A KR 20247018575A KR 20240096675 A KR20240096675 A KR 20240096675A
- Authority
- KR
- South Korea
- Prior art keywords
- csi
- model
- wtru
- aiml
- processing
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims description 180
- 238000005259 measurement Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 abstract description 3
- 230000006835 compression Effects 0.000 description 65
- 238000007906 compression Methods 0.000 description 65
- 238000004891 communication Methods 0.000 description 55
- 230000006870 function Effects 0.000 description 43
- 230000005540 biological transmission Effects 0.000 description 32
- 238000005516 engineering process Methods 0.000 description 29
- 230000015654 memory Effects 0.000 description 24
- 239000013598 vector Substances 0.000 description 21
- 238000010801 machine learning Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 17
- 230000011664 signaling Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 17
- 230000000737 periodic effect Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 12
- 238000013507 mapping Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000001960 triggered effect Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 239000000969 carrier Substances 0.000 description 5
- 230000009849 deactivation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 229910052709 silver Inorganic materials 0.000 description 4
- 239000004332 silver Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 102100036409 Activated CDC42 kinase 1 Human genes 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- 101000741965 Homo sapiens Inactive tyrosine-protein kinase PRAG1 Proteins 0.000 description 1
- 102100038659 Inactive tyrosine-protein kinase PRAG1 Human genes 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 101150071746 Pbsn gene Proteins 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 101150000582 dapE gene Proteins 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- -1 nickel metal hydride Chemical class 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0621—Feedback content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
- H04B7/0621—Feedback content
- H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0048—Allocation of pilot signals, i.e. of signals known to the receiver
- H04L5/005—Allocation of pilot signals, i.e. of signals known to the receiver of common pilots, i.e. pilots destined for multiple users or terminals
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
절차, 방법, 아키텍처, 장치, 시스템, 디바이스 및 컴퓨터 프로그램 제품은 적어도 하나의 기준 신호와 연관된 채널 상태 정보(CSI)를 포함하는 보고서의 적어도 일부를 생성하기 위해 적어도 하나의 기준 신호와 연관된 CSI를 측정하는 것과 적어도 하나의 기준 신호와 연관된 CSI를 포함하는 보고의 적어도 일부를 생성하도록 훈련된 인공 지능(AI) 모델을 결정하는 것을 포함한다. 적어도 하나의 기준 신호와 연관된 CSI를 포함하는 보고가 전송된다.
Description
관련 출원의 교차 참조
본 출원은 2021년 11월 3일자로 출원된 미국 특허 출원 제63/275,180호의 이익을 주장하며, 이는 그 전체가 본원에 원용되어 포함된다.
본 개시내용은 무선 통신을 수행하기 위한 방법 및 장치에 관한 것이다. 예를 들어, 다중 해상도 채널 상태 정보(CSI: Channel State Information) 피드백을 지원하기 위한 방법 및 장치가 개시된다.
보다 자세한 이해는 본원에 첨부된 도면들에 관련해서 예시의 방식으로 제시된 이하의 상세한 설명으로부터 이루어질 수 있다. 그러한 도면들의 도해들은 상세한 설명과 마찬가지로 예이다. 이와 같이, 도해(도)들 및 상세한 설명은 제한하는 것으로 해석되지 않아야 하고, 다른 동등하게 유효한 예들이 있을 수 있고, 있을 법하다. 나아가, 도에서의 유사한 참조 번호들("ref.")은 유사한 요소들을 나타내고, 여기서,
도 1a는 예시적인 통신 시스템을 예시하는 시스템 선도이다.
도 1b는 도 1a에 예시한 통신 시스템에 사용될 수 있는 예시적인 무선 송수신 유닛(WTRU: wireless transmit/receive unit)을 예시하는 시스템 선도이다.
도 1c는 도 1a에 예시한 통신 시스템에 사용될 수 있는 예시적인 무선 액세스 네트워크(RAN: radio access network) 및 예시적인 코어 네트워크(CN: core network)를 예시하는 시스템 선도이다.
도 1d는 도 1a에 예시한 통신 시스템에 사용될 수 있는 추가의 예시적인 RAN 및 추가의 예시적인 CN을 예시하는 시스템 선도이다.
도 2는 본 개시내용에 따른 CSI 측정 설정의 일 실시예를 예시한다.
도 3은 피드백 정보를 갖는 코드북 기반 프리코딩의 일 실시예를 도시한다.
도 4는 무선 시스템용 다중 해상도 CSI 피드백 방법의 일 실시예를 예시한다.
도 5는 WTRU에 의해 구현되는 다중 해상도 CSI 피드백을 지원하기 위한 대표 방법을 예시하는 흐름도이다.
도 6은 WTRU에 의해 구현되는 다중 해상도 CSI 피드백을 지원하기 위한 다른 대표 방법을 예시하는 흐름도이다.
도 7은 WTRU에 의해 구현되는 다른 대표 페어링 방법을 예시하는 흐름도이다.
도 1a는 예시적인 통신 시스템을 예시하는 시스템 선도이다.
도 1b는 도 1a에 예시한 통신 시스템에 사용될 수 있는 예시적인 무선 송수신 유닛(WTRU: wireless transmit/receive unit)을 예시하는 시스템 선도이다.
도 1c는 도 1a에 예시한 통신 시스템에 사용될 수 있는 예시적인 무선 액세스 네트워크(RAN: radio access network) 및 예시적인 코어 네트워크(CN: core network)를 예시하는 시스템 선도이다.
도 1d는 도 1a에 예시한 통신 시스템에 사용될 수 있는 추가의 예시적인 RAN 및 추가의 예시적인 CN을 예시하는 시스템 선도이다.
도 2는 본 개시내용에 따른 CSI 측정 설정의 일 실시예를 예시한다.
도 3은 피드백 정보를 갖는 코드북 기반 프리코딩의 일 실시예를 도시한다.
도 4는 무선 시스템용 다중 해상도 CSI 피드백 방법의 일 실시예를 예시한다.
도 5는 WTRU에 의해 구현되는 다중 해상도 CSI 피드백을 지원하기 위한 대표 방법을 예시하는 흐름도이다.
도 6은 WTRU에 의해 구현되는 다중 해상도 CSI 피드백을 지원하기 위한 다른 대표 방법을 예시하는 흐름도이다.
도 7은 WTRU에 의해 구현되는 다른 대표 페어링 방법을 예시하는 흐름도이다.
다음의 상세한 설명에서, 다수의 구체적인 세부사항들은 본원에 개시된 실시형태들 및/또는 실시예들에 대한 충분한 이해를 제공하기 위해 제시된다. 그러나, 이와 같은 실시형태들 및 실시예들은 본원에서 제시되는 구체적인 세부사항들 중 일부 또는 전부가 없어도 실시될 수 있음을 이해할 것이다. 다른 경우들에서, 잘 알려져 있는 방법, 절차, 컴포넌트 및 회로는 다음의 설명이 모호해지지 않도록 하기 위해, 상세히 설명되지 않았다. 또한, 본원에서 구체적으로 설명되지 않은 실시형태들 및 실시예들은 본원에서 설명되거나, 개시되거나 그 외 명시적으로, 암시적으로 및/또는 본질적으로 제공되는(총칭하여 "제공되는") 실시형태들 및 다른 실시예들 대신에, 또는 이들과 조합하여 실시될 수 있다. 장치, 시스템, 디바이스 등 및/또는 이들의 임의의 요소가 동작, 프로세스, 알고리즘, 기능 등 및/또는 이들의 임의의 부분을 수행하는 다양한 실시형태가 본원에서 설명되고/되거나 청구되지만, 본원에서 설명되고/되거나 청구된 임의의 실시형태는, 임의의 장치, 시스템, 디바이스 등 및/또는 이들의 임의의 요소가 임의의 동작, 프로세스, 알고리즘, 기능 등 및/또는 이들의 임의의 부분을 수행하도록 구성되는 것을 가정하는 것으로 이해되어야 한다.
예시적인 통신 시스템
본원에 제공된 방법, 장치 및 시스템은 유선 및 무선 네트워크 둘 모두를 수반하는 통신에 매우 적합하다. 다양한 유형들의 무선 디바이스 및 인프라구조의 개요가 도 1a 내지 도 1d와 관련하여 제공되며, 여기서 네트워크의 다양한 요소들은 본원에 제공된 방법, 장치 및 시스템을 이용하고, 수행하고, 이에 따라 배열되고/되거나, 이에 적응되고/되거나, 이를 위해 구성될 수 있다.
도 1a는 하나 이상의 개시된 실시형태가 구현될 수 있는 예시적인 통신 시스템(100)을 예시하는 시스템 선도이다. 통신 시스템(100)은 음성, 데이터, 비디오, 메시징, 방송 등과 같은 콘텐츠를 다수의 무선 사용자에게 제공하는 다중 액세스 시스템일 수 있다. 통신 시스템(100)은 다수의 무선 사용자가 무선 대역폭을 포함한 시스템 자원의 공유를 통해 그러한 콘텐츠에 액세스하는 것을 가능하게 할 수 있다. 예를 들어, 통신 시스템(100)은 코드 분할 다중 접속(CDMA: code division multiple access), 시분할 다중 접속(TDMA: time division multiple access), 주파수 분할 다중 접속(FDMA: frequency division multiple access), 직교 FDMA(OFDMA: orthogonal FDMA), 단일 반송파 FDMA(SC-FDMA: single-carrier FDMA), ZT UW DTS-s OFDM(zero-tail (ZT) unique-word (UW) discreet Fourier transform (DFT) spread OFDM), UW-OFDM(unique word OFDM), 자원 블록 필터링된 OFDM, FBMC(filter bank multicarrier) 등과 같은, 하나 이상의 채널 액세스 방법을 채용할 수 있다.
도 1a에 도시된 바와 같이, 통신 시스템(100)은 무선 송수신 유닛들(WTRU들)(102a, 102b, 102c, 102d), 무선 액세스 네트워크(RAN)(104/113), 코어 네트워크(CN)(106/115), 일반 전화 교환망(PSTN: public switched telephone network)(108), 인터넷(110) 및 다른 네트워크들(112)을 포함할 수 있지만, 개시된 실시형태들이 임의의 수의 WTRU, 기지국, 네트워크 및/또는 네트워크 요소들을 고려한다는 것이 이해될 것이다. WTRU들(102a, 102b, 102c, 102d) 각각은 무선 환경에서 동작 및/또는 통신하도록 구성된 임의의 유형의 디바이스일 수 있다. 예로서, "스테이션" 및 또는 STA로 지칭될 수 있는 WTRU들(102a, 102b, 102c, 102d) 중 임의의 것은 무선 신호들을 전송 및/또는 수신하도록 구성될 수 있고 사용자 장비(UE: user equipment), 이동국(mobile station), 고정 또는 이동 가입자 유닛, 가입 기반 유닛(subscription-based unit), 호출기(pager), 휴대폰, 개인용 정보 단말기(PDA: personal digital assistant), 스마트폰, 랩톱, 넷북, 개인용 컴퓨터, 무선 센서, 핫스팟 또는 Mi-Fi 디바이스, 사물 인터넷(IoT: Internet of Things) 디바이스, 시계 또는 다른 웨어러블, 머리 착용 디스플레이(HMD: head-mounted display), 차량, 드론, 의료 디바이스 및 애플리케이션들(예를 들어, 원격 수술), 산업용 디바이스 및 애플리케이션들(예를 들어, 산업 및/또는 자동화된 처리 체인 컨텍스트(processing chain context)에서 동작하는 로봇 및/또는 다른 무선 디바이스들), 소비자 전자 디바이스, 상업 및/또는 산업용 무선 네트워크에서 동작하는 디바이스 등을 포함할(또는 이들일) 수 있다. WTRU들(102a, 102b, 102c, 102d) 중 임의의 것은 UE로 상호교환 가능하게 지칭될 수 있다.
통신 시스템들(100)은 또한 기지국(114a) 및/또는 기지국(114b)을 포함할 수 있다. 기지국들(114a, 114b) 각각은 예를 들어, CN(106/115), 인터넷(110) 및/또는 네트워크들(112)과 같은, 하나 이상의 통신 네트워크에 대한 액세스를 용이하게 하기 위해 WTRU들(102a, 102b, 102c, 102d) 중 적어도 하나와 무선으로 인터페이싱하도록 구성된 임의의 유형의 디바이스일 수 있다. 예로서, 기지국들(114a, 114b)은 기지국 트랜시버(BTS: base transceiver station), 노드-B(NB), e노드-B(eNB), 홈 노드-B(HNB), 홈 e노드-B(HeNB), g노드-B(gNB), NR 노드-B(NR NB), 사이트 제어기, 액세스 포인트(AP: access point), 무선 라우터 등 중 임의의 것일 수 있다. 기지국들(114a, 114b)은 각각 단일 요소로서 도시되지만, 기지국들(114a, 114b)이 임의의 개수의 상호접속된 기지국 및/또는 네트워크 요소를 포함할 수 있다는 것을 이해할 것이다.
기지국(114a)은 다른 기지국들 및/또는 네트워크 요소들(도시되지 않음), 예컨대 기지국 제어기(BSC: base station controller), 무선 네트워크 제어기(RNC: radio network controller), 중계 노드들 등을 또한 포함할 수 있는 RAN(104/113)의 일부일 수 있다. 기지국(114a) 및/또는 기지국(114b)은 하나 이상의 반송파 주파수들 상에서 무선 신호들을 전송하고/하거나 수신하도록 구성될 수 있으며, 이는 셀(도시되지 않음)로 지칭될 수 있다. 이러한 주파수들은 면허 스펙트럼, 비면허 스펙트럼, 또는 면허 스펙트럼과 비면허 스펙트럼의 조합 내에 있을 수 있다. 셀은 비교적 고정될 수 있거나 시간 경과에 따라 변할 수 있는 특정 지리 영역에 대한 무선 서비스를 위한 커버리지를 제공할 수 있다. 셀은 셀 섹터들로 더 분할될 수 있다. 예를 들어, 기지국(114a)과 연관된 셀은 3개의 섹터로 분할될 수 있다. 따라서, 일 실시형태에서, 기지국(114a)은 3개의 송수신기들, 즉 셀의 각 섹터에 대해 하나씩을 포함할 수 있다. 일 실시형태에서, 기지국(114a)은 다중 입력 다중 출력(MIMO: multiple-input multiple output) 기술을 사용할 수 있고 셀의 각 섹터 또는 임의의 섹터에 대해 다중 송수신기들을 활용할 수 있다. 예를 들어, 신호들을 원하는 공간 방향들로 전송하고/하거나 수신하기 위해 빔포밍(beamforming)이 사용될 수 있다.
기지국들(114a, 114b)은 임의의 적합한 무선 통신 링크(예를 들어, 무선 주파수(RF), 마이크로파, 센티미터파, 마이크로미터파, 적외선(IR), 자외선(UV), 가시광 등)일 수 있는 에어 인터페이스(air interface)(116)를 통해 WTRU들(102a, 102b, 102c, 102d) 중 하나 이상과 통신할 수 있다. 에어 인터페이스(116)는 임의의 적합한 무선 액세스 기술(RAT: radio access technology)을 사용하여 설정될 수 있다.
더 구체적으로, 위에서 언급된 바와 같이, 통신 시스템(100)은 다중 액세스 시스템일 수 있고, CDMA, TDMA, FDMA, OFDMA, SC-FDMA 등과 같은 하나 이상의 채널 액세스 방식을 채용할 수 있다. 예를 들어, RAN(104/113)의 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 광대역 CDMA(WCDMA: wideband CDMA)를 사용하여 에어 인터페이스(116)를 확립할 수 있는, UTRA(UMTS(universal mobile telecommunications system) Terrestrial Radio Access) 와 같은 무선 기술을 구현할 수 있다. WCDMA는 고속 패킷 액세스(HSPA: High-Speed Packet Access) 및/또는 진화된 HSPA(HSPA+)와 같은 통신 프로토콜들을 포함할 수 있다. HSPA는 고속 다운링크 패킷 액세스(HSDPA: High-Speed Downlink Packet Access) 및/또는 고속 업링크 패킷 액세스(HSUPA: High-Speed Uplink Packet Access)를 포함할 수 있다.
일 실시형태에서, 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 LTE(Long Term Evolution) 및/또는 LTE-A(LTE-Advanced) 및/또는 LTE-A Pro(LTE-Advanced Pro)를 사용하여 에어 인터페이스(116)를 설정할 수 있는 E-UTRA(Evolved UMTS Terrestrial Radio Access)와 같은 무선 기술을 구현할 수 있다.
일 실시형태에서, 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 뉴 라디오(NR: New Radio)를 사용하여 에어 인터페이스(116)를 설정할 수 있는 NR 무선 액세스와 같은 무선 기술을 구현할 수 있다.
일 실시형태에서, 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 다수의 무선 액세스 기술을 구현할 수 있다. 예를 들어, 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 예를 들어, 이중 연결(DC: dual connectivity) 원리들을 사용하여 LTE 무선 액세스 및 NR 무선 액세스를 함께 구현할 수 있다. 따라서, WTRU들(102a, 102b, 102c)에 의해 이용되는 에어 인터페이스는 다수의 유형의 무선 액세스 기술 및/또는 다수의 유형의 기지국(예를 들어, eNB 및 gNB)으로/으로부터 송신되는 전송을 특징으로 할 수 있다.
일 실시형태에서, 기지국(114a) 및 WTRU들(102a, 102b, 102c)은 IEEE 802.11(즉, Wi-Fi(Wireless Fidelity), IEEE 802.16(즉, WiMAX(Worldwide Interoperability for Microwave Access)), CDMA2000, CDMA2000 1X, CDMA2000 EV-DO, 잠정 표준 2000(IS-2000: Interim Standard 2000), 잠정 표준 95(IS-95: Interim Standard 95), 잠정 표준 856(IS-856: Interim Standard 856), GSM(Global System for Mobile communications), EDGE(Enhanced Data rates for GSM Evolution), GERAN(GSM EDGE) 등과 같은 무선 기술들을 구현할 수 있다.
도 1a의 기지국(114b)은 예를 들어, 무선 라우터, 홈 노드-B, 홈 e노드-B, 또는 액세스 포인트일 수 있고, 예를 들어, 사업장, 집, 차량, 캠퍼스, 산업 시설, (예를 들어, 드론이 이용될 수 있는) 공중 회랑, 도로 등과 같은 국지적 영역에서의 무선 연결을 용이하게 하기 위해 적합한 임의의 RAT를 이용할 수 있다. 일 실시형태에서, 기지국(114b) 및 WTRU들(102c, 102d)은 무선 근거리 통신망(WLAN: wireless local area network)을 확립하기 위해 IEEE 802.11과 같은 무선 기술을 구현할 수 있다. 일 실시형태에서, 기지국(114b) 및 WTRU들(102c, 102d)은 무선 개인 영역 네트워크(WPAN: wireless personal area network)를 설정하기 위해 IEEE 802.15와 같은 무선 기술을 구현할 수 있다. 일 실시형태에서, 기지국(114b) 및 WTRU들(102c, 102d)은 소형 셀, 피코셀 또는 펨토셀 중 임의의 것을 확립하기 위해 셀룰러 기반 RAT(예를 들어, WCDMA, CDMA2000, GSM, LTE, LTE-A, LTE-A Pro, NR 등)를 이용할 수 있다. 도 1a에 도시된 바와 같이, 기지국(114b)은 인터넷(110)에 직접 접속될 수 있다. 따라서, 기지국(114b)은 CN(106/115)을 통해 인터넷(110)에 액세스하도록 요구되지 않을 수 있다.
RAN(104/113)은 음성, 데이터, 애플리케이션들, 및/또는 VoIP(voice over internet protocol) 서비스들을 WTRU들(102a, 102b, 102c, 102d) 중 하나 이상에 제공하도록 구성된 임의의 유형의 네트워크일 수 있는 CN(106/115)과 통신할 수 있다. 데이터는 상이한 처리량(throughput) 요건들, 레이턴시 요건들, 허용 오차 요건들, 신뢰성 요건들, 데이터 처리량 요건들, 이동성 요건들 등과 같은 다양한 서비스 품질(QoS) 요건들을 가질 수 있다. CN(106/115)은 호출 제어, 과금 서비스들, 이동 위치 기반 서비스들, 선불 통화, 인터넷 접속, 비디오 분배 등을 제공하고 그리고/또는 사용자 인증과 같은 고레벨 보안 기능들을 수행할 수 있다. 도 1a에서 도시되지 않지만, RAN(104/113) 및/또는 CN(106/115)이 RAN(104/113)과 동일한 RAT 또는 상이한 RAT를 채용하는 다른 RAN들과 직접 또는 간접 통신 중에 있을 수 있음을 이해할 것이다. 예를 들어, NR 무선 기술을 활용하고 있을 수 있는 RAN(104/113)에 접속되는 것 외에도, CN(106/115)은 또한 GSM, UMTS, CDMA 2000, WiMAX, E-UTRA, 또는 Wi-Fi 무선 기술 중 임의의 것을 사용하는 또 다른 RAN(도시되지 않음)과 통신 중에 있을 수 있다.
CN(106/115)은 또한 WTRU들(102a, 102b, 102c, 102d)이 PSTN(108)에 대해, 인터넷(110) 및/또는 다른 네트워크들(112)에 액세스하기 위한 게이트웨이로서의 역할을 할 수 있다. PSTN(108)은 기존 전화 서비스(POTS: plain old telephone service)를 제공하는 회선 교환 전화망들을 포함할 수 있다. 인터넷(110)은 TCP/IP(transmission control protocol/internet protocol) 모음(suite)에서의 전송 제어 프로토콜(TCP: transmission control protocol), 사용자 데이터그램 프로토콜(UDP: user datagram protocol) 및/또는 인터넷 프로토콜(IP: internet protocol)과 같은 공통 통신 프로토콜을 사용하는 상호접속된 컴퓨터 네트워크들 및 디바이스들의 글로벌 시스템을 포함할 수 있다. 네트워크들(112)은 다른 서비스 제공자들에 의해 소유되고/되거나 운영되는 유선 및/또는 무선 통신 네트워크들을 포함할 수 있다. 예를 들어, 네트워크들(112)은 RAN(104/114)과 동일한 RAT 또는 상이한 RAT를 채용할 수 있는 하나 이상의 RAN에 연결된 또 다른 CN을 포함할 수 있다.
통신 시스템(100) 내의 WTRU들(102a, 102b, 102c, 102d) 중 일부 또는 전부는 다중 모드 능력들을 포함할 수 있다(예를 들어, WTRU들(102a, 102b, 102c, 102d)은 상이한 무선 링크들을 통해 상이한 무선 네트워크들과 통신하기 위해 다수의 송수신기를 포함할 수 있다). 예를 들어, 도 1a에 도시된 WTRU(102c)는 셀룰러 기반 무선 기술을 채용할 수 있는 기지국(114a), 및 IEEE 802 무선 기술을 채용할 수 있는 기지국(114b)과 통신하도록 구성될 수 있다.
도 1b는 예시적인 WTRU(102)를 예시하는 시스템 선도이다. 도 1b에 도시된 바와 같이, WTRU(102)는 특히 프로세서(118), 송수신기(120), 송수신 요소(122), 스피커/마이크(124), 키패드(126), 디스플레이/터치패드(128), 비탈착식 메모리(130), 탈착식 메모리(132), 전원(134), 글로벌 포지셔닝 시스템(GPS) 칩셋(136), 및/또는 다른 요소들/주변장치들(138)을 포함할 수 있다. WTRU(102)는 실시형태와 여전히 부합하면서 전술한 요소들의 임의의 하위 조합을 포함할 수 있는 것으로 이해될 것이다.
프로세서(118)는 범용 프로세서, 특수 목적 프로세서, 종래의 프로세서, 디지털 신호 프로세서(DSP: digital signal processor), 복수의 마이크로프로세서, DSP 코어와 연관된 하나 이상의 마이크로프로세서들, 제어기, 마이크로제어기, 주문형 집적 회로(ASIC: Application Specific Integrated Circuit), 필드 프로그램 가능 게이트 어레이(FPGA: field programmable gate array) 회로, 임의의 다른 유형의 집적 회로(IC: integrated circuit), 상태 기계 등일 수 있다. 프로세서(118)는 신호 코딩, 데이터 처리, 전력 제어, 입력/출력 처리, 및/또는 WTRU(102)가 무선 환경에서 동작할 수 있게 하는 다른 임의의 기능을 수행할 수 있다. 프로세서(118)는 송수신 요소(122)에 커플링될 수 있는 송수신 요소(120)에 커플링될 수 있다. 도 1b는 프로세서(118)와 송수신기(120)를 별개의 컴포넌트들로 묘사하지만, 프로세서(118)와 송수신기(120)는 예를 들어, 전자 패키지 또는 칩에 함께 통합될 수 있다는 것이 이해될 것이다.
송수신 요소(122)는 에어 인터페이스(116)를 통해 기지국(예를 들어, 기지국(114a))에 신호를 전송하거나 그로부터 신호를 수신하도록 구성될 수 있다. 예를 들어, 일 실시형태에서, 송수신 요소(122)는 RF 신호들을 전송하고/하거나 수신하도록 구성된 안테나일 수 있다. 일 실시형태에서, 송수신 요소(122)는 예를 들면, IR, UV, 또는 가시광 신호들을 전송하고/하거나 수신하도록 구성되는 방출기/검출기일 수 있다. 일 실시형태에서, 송수신 요소(122)는 RF 및 광 신호 둘 모두를 전송하고/하거나 수신하도록 구성될 수 있다. 송수신 요소(122)는 무선 신호들의 임의의 조합을 전송하고/하거나 수신하도록 구성될 수 있는 것으로 이해될 것이다.
송수신 요소(122)가 도 1b에서 단일 요소로서 도시되지만, WTRU(102)는 임의의 개수의 송수신 요소들(122)을 포함할 수 있다. 예를 들어, WTRU(102)는 MIMO 기술을 사용할 수 있다. 따라서, 일 실시형태에서, WTRU(102)는 에어 인터페이스(116)를 통해 무선 신호들을 전송 및 수신하기 위한 2개 이상의 송수신 요소(122)(예를 들어, 다중 안테나(multiple antenna))를 포함할 수 있다.
송수신기(120)는 송수신 요소(122)에 의해 전송되는 신호를 변조하고 송수신 요소(122)에 의해 수신되는 신호를 복조하도록 구성될 수 있다. 위에서 언급된 바와 같이, WTRU(102)는 다중 모드 능력들을 가질 수 있다. 따라서, 송수신기(120)는 WTRU(102)가, 예를 들면, NR 및 IEEE 802.11과 같은 다수의 RAT을 통해 통신하는 것을 가능하게 하기 위한 다수의 송수신기를 포함할 수 있다.
WTRU(102)의 프로세서(118)는 스피커/마이크로폰(124), 키패드(126) 및/또는 디스플레이/터치 패드(128)(예를 들어, 액정 디스플레이(LCD) 디스플레이 유닛 또는 유기 발광 다이오드(OLED) 디스플레이 유닛)에 커플링될 수 있고, 그로부터 사용자 입력 데이터를 수신할 수 있다. 프로세서(118)는 또한 사용자 데이터를 스피커/마이크로폰(124), 키패드(126) 및/또는 디스플레이/터치 패드(128)에 출력할 수 있다. 게다가, 프로세서(118)는 비탈착식 메모리(130) 및/또는 탈착식 메모리(132)와 같은 임의의 유형의 적절한 메모리로부터의 정보에 액세스할 수 있고 이러한 메모리에 데이터를 저장할 수 있다. 비탈착식 메모리(130)는 랜덤 액세스 메모리(RAM), 판독 전용 메모리(ROM), 하드 디스크, 또는 다른 임의의 유형의 메모리 저장 디바이스를 포함할 수 있다. 탈착식 메모리(132)는 가입자 식별 모듈(SIM: subscriber identity module) 카드, 메모리 스틱, 보안 디지털(SD: secure digital) 메모리 카드 등을 포함할 수 있다. 다른 실시형태들에서, 프로세서(118)는 서버 또는 홈 컴퓨터(도시되지 않음)와 같은 WTRU(102) 상에 물리적으로 위치하지 않는 메모리로부터의 정보에 액세스할 수 있고 이러한 메모리에 데이터를 저장할 수 있다.
프로세서(118)는 전원(134)으로부터 전력을 수신할 수 있고, 전력을 WTRU(102) 내의 다른 컴포넌트에 분배하고/하거나 제어하도록 구성될 수 있다. 전원(134)은 WTRU(102)에 전력을 공급하기 위한 임의의 적합한 디바이스일 수 있다. 예를 들어, 전원(134)은 하나 이상의 건전지(예를 들어, 니켈-카드뮴(NiCd), 니켈-아연(NiZn), 니켈 금속 수소화물(NiMH), 리튬-이온(Li-ion) 등), 태양 전지, 연료 전지 등을 포함할 수 있다.
프로세서(118)는, 또한, WTRU(102)의 현재 위치에 관한 위치 정보(예를 들어, 경도 및 위도)를 제공하도록 구성될 수 있는 GPS 칩셋(136)에 커플링될 수 있다. GPS 칩셋(136)으로부터의 정보에 더하여 또는 그 대신에, WTRU(102)는 기지국(예를 들어, 기지국들(114a, 114b))으로부터 에어 인터페이스(116)를 통해 위치 정보를 수신하고 그리고/또는, 2개 이상의 인근 기지국으로부터 수신되는 신호들의 타이밍에 기초하여 자신의 위치를 결정할 수 있다. WTRU(102)는 실시형태와 여전히 부합하면서 임의의 적합한 위치 결정 방법에 의해 위치 정보를 취득할 수 있는 것으로 이해될 것이다.
프로세서(118)는 추가 특징(feature)들, 기능 및/또는 유선 또는 무선 연결을 제공하는 하나 이상의 소프트웨어 및/또는 하드웨어 모듈/유닛을 포함할 수 있는, 다른 요소들/주변장치들(138)에 추가로 커플링될 수 있다. 예를 들어, 요소들/주변장치들(138)은 가속도계(accelerometer), 전자 나침반(e-compass), 위성 송수신기(satellite transceiver), 디지털 카메라(예를 들어, 사진들 및/또는 비디오용), 범용 직렬 버스(USB) 포트, 진동 디바이스, 텔레비전 송수신기, 핸즈 프리 헤드셋, Bluetooth® 모듈, 주파수 변조(FM) 무선 유닛, 디지털 음악 플레이어, 미디어 플레이어, 비디오 게임 플레이어 모듈, 인터넷 브라우저, 가상 현실 및/또는 증강 현실(VR/AR) 디바이스, 활동 추적기 등을 포함할 수 있다. 요소들/주변장치들(138)은 하나 이상의 센서들을 포함할 수 있고, 이 센서들은 자이로스코프, 가속도계, 홀 효과 센서, 자력계, 배향 센서, 근접 센서, 온도 센서, 시간 센서; 지리적 위치 센서; 고도계, 광 센서, 터치 센서, 자력계, 기압계, 제스처 센서, 생체 인식 센서, 및/또는 습도 센서 중 하나 이상일 수 있다.
WTRU(102)는 신호들 중 일부 또는 전부(예를 들어, 업링크(예를 들어, 전송용) 및 다운링크(예를 들어, 수신용) 둘 모두에 대한 특정 서브프레임들과 연관됨) 전송 및 수신이 병행적이고 그리고/또는 동시적일 수 있는 전이중 무선(full duplex radio)을 포함할 수 있다. 전이중 무선은 하드웨어(예를 들어, 초크(choke))를 통해 또는 프로세서(예를 들어, 별개의 프로세서(도시되지 않음) 또는 프로세서(118))를 통한 신호 처리를 통해 자가 간섭(self-interference)을 줄이고/이거나 실질적으로 제거하는 간섭 관리 유닛을 포함할 수 있다. 일 실시형태에서, WTRU(102)는 신호들 중 일부 또는 전부(예를 들어, 업링크(예를 들어, 전송용) 또는 다운링크(예를 들어, 수신용)에 대한 특정 서브프레임들과 연관됨)의 전송 및 수신인 반이중 무선(half-duplex radio)을 포함할 수 있다.
도 1c는 일 실시형태에 따른 RAN(104) 및 CN(106)을 예시하는 시스템 선도이다. 전술한 바와 같이, RAN(104)은 에어 인터페이스(116)를 통해 WTRU(102a, 102b 및 102c)와 통신하기 위해 E-UTRA 무선 기술을 채용할 수 있다. RAN(104)은 CN(106)과 또한 통신할 수 있다.
RAN(104)은 e노드-B들(160a, 160b, 160c)을 포함할 수 있지만, RAN(104)은 실시형태와 여전히 부합하면서 임의의 개수의 e노드-B들을 포함할 수 있는 것으로 이해될 것이다. e노드-B들(160a, 160b, 160c) 각각은 에어 인터페이스(116)를 통해 WTRU들(102a, 102b, 102c)과 통신하기 위해 하나 이상의 송수신기를 포함할 수 있다. 일 실시형태에서, e노드-B들(160a, 160b, 160c)은 MIMO 기술을 구현할 수 있다. 따라서, eNode-B(160a)는 예를 들어, WTRU(102a)에 무선 신호를 전송하고 그로부터 무선 신호를 수신하기 위해 다수의 안테나를 사용할 수 있다.
e노드-B들(160a, 160b, 및 160c) 각각은 특정 셀(도시되지 않음)과 연관될 수 있고 무선 자원 관리 결정, 핸드오버 결정, 업링크(UL) 및/또는 다운링크(DL)에서의 사용자들의 스케줄링 등을 처리하도록 구성될 수 있다. 도 1c에서 도시된 바와 같이, e노드-B들(160a, 160b, 160c)은 X2 인터페이스를 통해 서로 통신할 수 있다.
도 1c에 도시된 CN(106)은 이동성 관리 엔티티(MME: mobility management entity)(162), 서빙 게이트웨이(SGW: serving gateway)(164), 및 패킷 데이터 네트워크(PDN: packet data network) 게이트웨이(PGW: PDN gateway)(166)를 포함할 수 있다. 각각의 전술한 요소들은 CN(106)의 일부로 도시되지만, 이들 요소들 중 임의의 하나는 CN 운영자 이외의 엔티티에 의해 소유되고/되거나 운영될 수 있다는 것이 이해될 것이다.
MME(162)는 S1 인터페이스를 경유해 RAN(104) 내의 e노드-B들(160a, 160b 및 160c) 각각에 접속될 수 있고 제어 노드의 역할을 할 수 있다. 예를 들어, MME(162)는 WTRU들(102a, 102b, 102c)의 사용자들을 인증하는 것, 베어러 활성화/비활성화, WTRU들(102a, 102b, 102c)의 초기 접속(initial attach) 동안 특정 서빙 게이트웨이를 선택하는 것 등을 담당할 수 있다. MME(162)는 RAN(104)과, GSM 및/또는 WCDMA와 같은 다른 무선 기술을 채용하는 다른 RAN들(도시되지 않음) 간에 스위칭하기 위한 제어 평면 기능을 제공할 수 있다.
SGW(164)는 S1 인터페이스를 경유해 RAN(104) 내의 각각의 e노드-B들(160a, 160b, 160c)에 접속될 수 있다. SGW(164)는 일반적으로 WTRU들(102a, 102b, 102c)로/로부터 사용자 데이터 패킷들을 라우팅하고 포워딩할 수 있다. SGW(164)는 e노드-B 간 핸드오버들 동안 사용자 평면들을 앵커링하고, DL 데이터가 WTRU들(102a, 102b, 102c)에 대해 이용 가능할 때 페이징을 트리거링하고, WTRU들(102a, 102b, 102c)의 컨텍스트들을 관리 및 저장하는 것 등과 같은, 다른 기능들을 수행할 수 있다.
SGW(164)는 WTRU들(102a, 102b, 102c)과 IP-인에이블드 디바이스(IP-enabled device)들 간의 통신을 용이하게 하기 위해, 인터넷(110)과 같은 패킷 교환 네트워크들에 대한 액세스를 WTRU들(102a, 102b, 102c)에 제공할 수 있는 PGW(166)에 접속될 수 있다.
CN(106)은 다른 네트워크와의 통신을 용이하게 할 수 있다. 예를 들어, CN(106)은 WTRU들(102a, 102b, 102c)과 전통적인 지상선 통신 디바이스들 간의 통신을 용이하게 하기 위해, PSTN(108)과 같은 회선 교환 네트워크들에 대한 액세스를 WTRU들(102a, 102b, 102c)에 제공할 수 있다. 예를 들어, CN(106)은 CN(106)과 PSTN(108) 간의 인터페이스로서 역할을 하는 IP 게이트웨이(예를 들어, IP 멀티미디어 서브시스템(IMS: IP multimedia subsystem) 서버)를 포함할 수 있거나, 또는 이와 통신할 수 있다. 게다가, CN(106)은 다른 서비스 제공자에 의해 소유되고/되거나 운영되는 다른 유선 및/또는 무선 네트워크를 포함할 수 있는 다른 네트워크(112)들에 대한 액세스를 WTRU(102a, 102b, 102c)에 제공할 수 있다.
WTRU가 도 1a 내지 도 1d에서 무선 단말로 설명되어 있지만, 특정 대표 실시형태들에서 이러한 단말이 통신 네트워크를 갖는 유선 통신 인터페이스들을 (예를 들어, 일시적으로 또는 영구적으로) 사용할 수 있다는 것이 고려된다.
대표 실시형태들에서, 다른 네트워크(112)는 WLAN일 수 있다.
인프라구조 기본 서비스 세트(BSS: basic service set) 모드의 WLAN은 BSS에 대한 액세스 포인트(AP) 및 AP와 연관된 하나 이상의 스테이션(STA)을 가질 수 있다. AP는 BSS의 안으로 그리고/또는 밖으로 트래픽을 운반하는 분배 시스템(DS: distribution system) 또는 또 다른 유형의 유선/무선 네트워크에 대한 액세스 또는 인터페이스를 가질 수 있다. BSS 외부에서 유래되는 STA들로의 트래픽은 AP를 통해 도착할 수 있고 STA들에 전달될 수 있다. STA들에서 유래되어 BSS 외부의 목적지들로 향하는 트래픽은 각각의 목적지들로 전달되도록 AP에 송신될 수 있다. BSS 내의 STA들 간의 트래픽은 AP를 통해 송신될 수 있는데, 예를 들어, 소스(source) STA는 AP에 트래픽을 송신할 수 있고, AP는 목적지 STA에 트래픽을 전달할 수 있다. BSS 내의 STA들 간의 트래픽은 피어 투 피어 트래픽인 것으로 간주되고/되거나 지칭될 수 있다. 피어 투 피어 트래픽은 직접 링크 설정(DLS: direct link setup)을 이용하여 소스 STA와 목적지 STA 간에 (예를 들어, 직접) 송신될 수 있다. 특정 대표 실시형태들에서, DLS는 802.11e DLS 또는 802.11z TDLS(tunneled DLS)를 사용할 수 있다. IBSS(Independent BSS) 모드를 사용하는 WLAN은 AP를 갖지 않을 수 있고, IBSS 내의 STA들 또는 IBSS를 사용하는 STA들(예를 들어, 모든 STA들)은 서로 직접 통신할 수 있다. IBSS 통신 모드는 때때로 본원에서 "애드혹(ad-hoc)" 통신 모드로 지칭될 수 있다.
802.11ac 인프라구조 동작 모드 또는 유사한 동작들의 모드를 사용할 때, AP는 주 채널과 같은 고정 채널 상에서 비컨(beacon)을 전송할 수 있다. 주요 채널은 고정된 폭(예를 들어, 20 ㎒ 폭의 대역폭) 또는 시그널링을 통해 동적으로 설정된 폭일 수 있다. 주 채널은 BSS의 동작 채널일 수 있고, AP와의 접속을 설정하기 위해 STA들에 의해 사용될 수 있다. 특정 대표 실시형태들에서, CSMA/CA(Carrier sense multiple access with collision avoidance)는 예를 들어, 802.11 시스템들에서 구현될 수 있다. CSMA/CA의 경우, AP를 포함하는 STA들(예를 들어, 모든 STA들)은 주 채널을 감지할 수 있다. 주 채널이 특정 STA에 의해 혼잡한 것으로 감지/검출 및/또는 결정될 경우, 특정 STA는 백오프(back off)할 수 있다. 하나의 STA(예를 들어, 단지 하나의 스테이션)는 소정의 BSS에서 언제든지 전송할 수 있다.
HT(high throughput) STA들은 통신을 위해 40 ㎒ 폭 채널을 사용할 수 있고, 예를 들어, 40 ㎒ 폭 채널은 주 20 ㎒ 채널과 인접하거나 비인접한 20 ㎒ 채널을 결합해서 형성될 수 있다.
VHT(very high throughput) STA들은 20 ㎒, 40 ㎒, 80 ㎒, 및/또는 160 ㎒ 폭 채널들을 지원할 수 있다. 40 ㎒ 및/또는 80 ㎒ 채널들은 인접한 20 ㎒ 채널들을 결합해서 형성될 수 있다. 160 ㎒ 채널은 8개의 인접한 20 ㎒ 채널을 결합함으로써, 또는 80+80 구성으로 지칭될 수 있는 2개의 연접하지 않는 80 ㎒ 채널을 결합해서 형성될 수 있다. 80+80 구성의 경우, 데이터는 채널 인코딩 후에 데이터를 2개의 스트림으로 분할할 수 있는 세그먼트 파서(parser)를 통해 통과될 수 있다. 고속 푸리에 역변환(IFFT: inverse fast Fourier transform) 처리, 및 시간 도메인 처리는 각 스트림에서 별도로 수행될 수 있다. 스트림들은 2개의 80 ㎒ 채널에 매핑될 수 있고, 데이터는 전송 STA에 의해 전송될 수 있다. 수신 STA의 수신기에서, 위에서 설명한 80+80 구성에 대한 동작은 역전될 수 있고, 결합된 데이터는 매체 접근 제어(MAC: medium access control) 계층, 엔티티 등으로 송신될 수 있다.
서브 1 ㎓ 동작 모드는 802.11af 및 802.11ah에 의해 지원된다. 채널 동작 대역폭들, 및 반송파들은 802.11n 및 802.11ac에서 사용되는 것들에 비해 802.11af 및 802.11ah에서 감소된다. 802.11af는 TV 화이트 스페이스(TVWS: TV white space) 스펙트럼에서 5 ㎒, 10 ㎒, 및 20 ㎒ 대역폭들을 지원하고, 802.11ah는 비 TVWS 스펙트럼을 사용하는 1 ㎒, 2 ㎒, 4 ㎒, 8 ㎒, 및 16 ㎒ 대역폭들을 지원한다. 대표 실시형태에 따르면, 802.11ah는 매크로 커버리지 영역(macro coverage area) 내의 MTC 디바이스들과 같은, MTC(meter type control/machine-type communications)를 지원할 수 있다. MTC 디바이스들은 특정 능력들, 예를 들어, 특정한 그리고/또는 제한된 대역폭들에 대한 지원(예를 들어, 그에 대한 유일한 지원)을 포함하는 제한된 능력들을 가질 수 있다. MTC 디바이스들은 (예를 들어, 매우 긴 배터리 수명을 유지하기 위해) 임계치를 초과하는 배터리 수명을 갖는 배터리를 포함할 수 있다.
802.11n, 802.11ac, 802.11af 및 802.11ah와 같은 다수의 채널 및 채널 대역폭을 지원할 수 있는 WLAN 시스템들은 주 채널로 지정될 수 있는 채널을 포함한다. 주 채널은 BSS 내의 모든 STA들에 의해 지원되는 가장 큰 공통 동작 대역폭과 동일한 대역폭을 가질 수 있다. 주 채널의 대역폭은 BSS에서 동작하는 모든 STA들 중에서 가장 작은 대역폭 동작 모드를 지원하는 STA에 의해 설정되고/되거나 제한될 수 있다. 802.11ah의 예에서, 주 채널은 AP 및 BSS 내의 다른 STA들이 2 ㎒, 4 ㎒, 8 ㎒, 16 ㎒, 및/또는 다른 채널 대역폭 동작 모드들을 지원하더라도 1 ㎒ 모드를 지원하는(예를 들어, 1 ㎒ 모드만 지원하는) STA들(예를 들어, MTC 유형 디바이스들)에 대해서는 1 ㎒ 폭일 수 있다. 반송파 감지 및/또는 네트워크 할당 벡터(NAV: network allocation vector) 설정들은 주 채널의 상태에 따라 달라질 수 있다. 주 채널이 이용 중인 경우, 예를 들어, AP로 전송하는 (1 ㎒ 동작 모드만 지원하는) STA로 인해, 전체 주파수 대역은, 가용 주파수 대역의 대부분이 유휴 상태로 남아 있어 사용이 가능할 수 있음에도 불구하고 이용 중인 것으로 간주될 수 있다.
미국에서, 802.11ah에 의해 사용될 수 있는 이용 가능한 주파수 대역들은 902 ㎒ 내지 928 ㎒이다. 한국에서, 이용 가능한 주파수 대역들은 917.5 ㎒ 내지 923.5 ㎒이다. 일본에서, 이용 가능한 주파수 대역들은 916.5 ㎒ 내지 927.5 ㎒이다. 802.11ah에 대해 이용 가능한 총 대역폭은 국가 코드에 따라 6 ㎒ 내지 26 ㎒이다.
도 1d는 일 실시형태에 따른 RAN(113) 및 CN(115)을 예시하는 시스템 선도이다. 위에서 언급된 바와 같이, RAN(113)은 NR 무선 기술을 채용하여 에어 인터페이스(116)를 통해 WTRU(102a, 102b, 102c)와 통신할 수 있다. RAN(113)은 CN(115)과 또한 통신할 수 있다.
RAN(113)은 gNB(180a, 180b, 180c)를 포함할 수 있으며, 다만 RAN(113)이 실시형태와 여전히 부합하면서 임의의 개수의 gNB를 포함할 수 있음이 이해될 것이다. gNB들(180a, 180b, 180c) 각각은 에어 인터페이스(116)를 통해 WTRU들(102a, 102b, 102c)과 통신하기 위한 하나 이상의 송수신기를 포함할 수 있다. 일 실시형태에서, gNB들(180a, 180b, 180c)은 MIMO 기술을 구현할 수 있다. 예를 들어, gNB들(180a, 180b)은 WTRU들(102a, 102b, 102c)로 신호를 전송하고/하거나 이로부터 신호를 수신하기 위해 빔포밍을 활용할 수 있다. 따라서, gNB(180a)는 예를 들어, WTRU(102a)에 무선 신호들을 전송하고/하거나 이로부터 무선 신호들을 수신하기 위해 다수의 안테나를 사용할 수 있다. 일 실시형태에서, gNB들(180a, 180b, 180c)은 반송파 집성 기술을 구현할 수 있다. 예를 들어, gNB(180a)는 다수의 컴포넌트 반송파를 WTRU(102a)에 전송할 수 있다(도시되지 않음). 이러한 컴포넌트 반송파들의 서브세트는 비면허 스펙트럼 상에 있을 수 있는 한편, 나머지 컴포넌트 반송파들은 허가 스펙트럼 상에 있을 수 있다. 일 실시형태에서, gNB들(180a, 180b, 180c)은 CoMP(Coordinated Multi-Point) 기술을 구현할 수 있다. 예를 들어, WTRU(102a)는 gNB(180a) 및 gNB(180b)(및/또는 gNB(180c))로부터 조정된 전송들을 수신할 수 있다.
WTRU들(102a, 102b, 102c)은 확장 가능한 뉴머롤로지(scalable numerology)와 연관된 전송들을 사용하여 gNB들(180a, 180b, 180c)과 통신할 수 있다. 예를 들어, OFDM 심볼 간격(spacing) 및/또는 OFDM 부반송파 간격은 상이한 전송들, 상이한 셀들, 및/또는 무선 전송 스펙트럼의 상이한 부분들에 따라 달라질 수 있다. WTRU들(102a, 102b, 102c)은 다양하거나 확장 가능한 길이들(예를 들어, 다양한 수의 OFDM 심볼들 및/또는 지속되는 다양한 길이들의 절대 시간을 포함하는)의 서브프레임 또는 전송 시간 간격(TTI: transmission time interval)들을 사용하여 gNB들(180a, 180b, 180c)과 통신할 수 있다.
gNB들(180a, 180b, 180c)은 독립형 구성에서 그리고/또는 비독립형 구성에서 WTRU들(102a, 102b, 102c)과 통신하도록 구성될 수 있다. 독립형 구성에서, WTRU들(102a, 102b, 102c)은 (예를 들어, e노드-B들(160a, 160b, 160c)과 같은) 다른 RAN들에 또한 액세스하지 않고, gNB들(180a, 180b, 180c)과 통신할 수 있다. 독립형 구성에서, WTRU들(102a, 102b, 102c)은 gNB들(180a, 180b, 180c) 중 하나 이상을 이동성 앵커 포인트로 활용할 수 있다. 독립형 구성에서, WTRU들(102a, 102b, 102c)은 비면허 대역에서 신호들을 사용하여 gNB들(180a, 180b, 180c)과 통신할 수 있다. 비독립형 구성에서, WTRU들(102a, 102b, 102c)은 gNB들(180a, 180b, 180c)과 통신하고/그에 접속하면서, 또한 e노드-B들(160a, 160b, 160c)과 같은 다른 RAN과 통신하고/그에 접속할 수 있다. 예를 들어, WTRU들(102a, 102b, 102c)은 하나 이상의 gNB(180a, 180b, 180c) 및 하나 이상의 e노드-B(160a, 160b, 160c)와 실질적으로 동시에 통신하기 위해 DC 원리들을 구현할 수 있다. 비독립형 구성에서, e노드-B들(160a, 160b, 160c)은 WTRU들(102a, 102b, 102c)에 대한 이동성 앵커의 역할을 할 수 있고, gNB들(180a, 180b, 180c)은 WTRU들(102a, 102b, 102c)을 서비스하기 위한 추가적인 커버리지 및/또는 처리량을 제공할 수 있다.
gNB들(180a, 180b, 180c) 각각은 특정 셀(도시되지 않음)과 연관될 수 있고 무선 자원 관리 결정, 핸드오버 결정, UL 및/또는 DL에서 사용자들의 스케줄링, 네트워크 슬라이싱의 지원, 이중 연결, NR과 E-UTRA 사이의 상호 연동, 사용자 평면 기능(UPF: user plane function)(184a, 184b)을 향한 사용자 평면 데이터의 라우팅, 접속과 이동성 관리 기능(AMF: access and mobility management function)(182a, 182b)을 향한 제어 평면 정보의 라우팅 등을 처리하도록 구성될 수 있다. 도 1d에서 도시된 바와 같이, gNB들(180a, 180b, 180c)은 Xn 인터페이스를 통해 서로 통신할 수 있다.
도 1d에 도시된 CN(115)은 적어도 하나의 AMF(182a, 182b), 적어도 하나의 UPF(184a, 184b), 적어도 하나의 세션 관리 기능(SMF: session management function)(183a, 183b), 및 적어도 하나의 데이터 네트워크(DN: Data Network)(185a, 185b)를 포함할 수 있다. 각각의 전술한 요소들은 CN(115)의 일부로 도시되지만, 이들 요소들 중 임의의 것은 CN 운영자 이외의 엔티티에 의해 소유되고/되거나 운영될 수 있다는 것이 이해될 것이다.
AMF(182a, 182b)는 N2 인터페이스를 경유해 RAN(113) 내의 gNB(180a, 180b, 180c) 중 하나 이상에 접속될 수 있고, 제어 노드의 역할을 할 수 있다. 예를 들어, AMF(182a, 182b)는 WTRU들(102a, 102b, 102c)의 사용자들의 인증, 네트워크 슬라이싱에 대한 지원(예를 들어, 상이한 요구사항들을 갖는 상이한 프로토콜 데이터 유닛(PDU: protocol data unit) 세션들의 처리), 특정 SMF(183a, 183b)를 선택하는 것, 등록 영역의 관리, NAS 시그널링의 종료, 이동성 관리 등을 담당할 수 있다. 네트워크 슬라이싱은, 예를 들어, WTRU들(102a, 102b, 102c)에 활용되는 서비스들의 유형들에 기초하여 WTRU들(102a, 102b, 102c)에 대한 CN 지원을 맞춤화하기 위해 AMF(182a, 182b)에 의해 사용될 수 있다. 예를 들어, 상이한 네트워크 슬라이스들은 상이한 사용 사례들, 예컨대 초고신뢰 저지연(URLLC: ultra-reliable low latency) 액세스에 의존하는 서비스, eMBB(enhanced massive mobile broadband) 액세스에 의존하는 서비스, MTC 액세스를 위한 서비스 등에 대해 확립될 수 있다. AMF(162)는 RAN(113)과 LTE, LTE-A, LTE-A Pro와 같은, 다른 무선 기술들 및/또는 Wi-Fi와 같은 비-3GPP 액세스 기술들을 채용하는 다른 RAN들(도시되지 않음) 간의 스위칭을 위한 제어 평면 기능을 제공할 수 있다.
SMF(183a, 183b)는 N11 인터페이스를 경유해 CN(115) 내의 AMF(182a, 182b)에 접속될 수 있다. SMF(183a, 183b)는 또한 N4 인터페이스를 경유해 CN(115) 내의 UPF(184a, 184b)에 접속될 수 있다. SMF(183a, 183b)는 UPF(184a, 184b)를 선택 및 제어하고, UPF(184a, 184b)를 통한 트래픽의 라우팅을 구성할 수 있다. SMF(183a 및 183b)는 다른 기능들, 예컨대 UE IP 어드레스를 관리하고 할당하는 것, PDU 세션들을 관리하는 것, 정책 시행 및 QoS를 제어하는 것, 다운링크 데이터 통지들을 제공하는 것 등을 수행할 수 있다. PDU 세션 유형은 IP 기반, 비-IP 기반, 이더넷 기반 등일 수 있다.
UPF(184a, 184b)는 예를 들어, WTRU들(102a, 102b, 102c)과 IP 인에이블드 디바이스들 간의 통신들을 용이하게 하기 위해, 인터넷(110)과 같은, 패킷 교환 네트워크들에 대한 액세스를 WTRU들(102a, 102b, 102c)에 제공할 수 있는, N3 인터페이스를 경유해 RAN(113)의 gNB들(180a, 180b, 180c) 중 하나 이상에 접속될 수 있다. UPF(184 및 184b)는 다른 기능들, 예컨대 패킷들을 라우팅 및 포워딩하는 것, 사용자 평면 정책들을 시행하는 것, 멀티-홈 PDU 세션들을 지원하는 것, 사용자 평면 QoS를 핸들링하는 것, 다운링크 패킷들을 버퍼링하는 것, 이동성 앵커링을 제공하는 것 등을 수행할 수 있다.
CN(115)은 다른 네트워크와의 통신을 용이하게 할 수 있다. 예를 들어, CN(115)은 CN(115)과 PSTN(108) 사이의 인터페이스 역할을 하는 IP 게이트웨이(예를 들어, IP 멀티미디어 서브시스템(IMS) 서버)를 포함할 수 있거나, 또는 이와 통신할 수 있다. 게다가, CN(115)은 다른 서비스 제공자에 의해 소유되고/되거나 운영되는 다른 유선 및/또는 무선 네트워크를 포함할 수 있는 다른 네트워크(112)에 대한 액세스를 WTRU(102a, 102b, 102c)에 제공할 수 있다. 일 실시형태에서, WTRU들(102a, 102b, 102c)은 UPF(184a, 184b)에 대한 N3 인터페이스 및 UPF(184a, 184b)와 DN(185a, 185b) 사이의 N6 인터페이스를 경유해, UPF(184a, 184b)를 통해 로컬 데이터 네트워크(DN)(185a, 185b)에 접속될 수 있다.
도 1a 내지 도 1d 및 도 1a 내지 도 1d의 상응하는 설명을 고려하면, WTRU들(102a 내지 102d), 기지국들(114a 및 114b), e노드-B들(160a 내지 160c), MME(162), SGW(164), PGW(166), gNB들(180a 내지 180c), AMF들(182a 및 182b), UPF들(184a 및 184b), SMF들(183a 및 183b), DN들(185a 및 185b) 및/또는 본원에서 설명된 임의의 다른 요소(들)/디바이스(들) 중 임의의 것과 관련하여 본원에서 설명된 기능들 중 하나 이상 또는 전부는 하나 이상의 에뮬레이션 요소(들)/디바이스(도시되지 않음)에 의해 수행될 수 있다. 에뮬레이션 디바이스들은 본원에서 설명된 기능들 중 하나 이상 또는 전부를 에뮬레이션하도록 구성된 하나 이상의 디바이스일 수 있다. 예를 들어, 에뮬레이션 디바이스들은 다른 디바이스들을 테스트하고 그리고/또는 네트워크 및/또는 WTRU 기능들을 시뮬레이션하는 데 사용될 수 있다.
에뮬레이션 디바이스들은 실험실 환경 및/또는 운영자 네트워크 환경에서 다른 디바이스들의 하나 이상의 테스트를 구현하도록 설계될 수 있다. 예를 들어, 하나 이상의 에뮬레이션 디바이스는 통신 네트워크 내의 다른 디바이스들을 테스트하기 위해 유선 및/또는 무선 통신 네트워크의 일부로서 완전히 또는 부분적으로 구현 및/또는 배치되면서 하나 이상의 또는 모든 기능들을 수행할 수 있다. 하나 이상의 에뮬레이션 디바이스는 유선 및/또는 무선 통신 네트워크의 일부로서 일시적으로 구현/배치되면서 하나 이상의 또는 모든 기능들을 수행할 수 있다. 에뮬레이션 디바이스는 테스트 목적으로 다른 디바이스에 직접 커플링될 수 있고/있거나 OTA(over-the-air) 무선 통신을 사용하여 테스트를 수행할 수 있다.
하나 이상의 에뮬레이션 디바이스는 유선 및/또는 무선 통신 네트워크의 일부로서 구현/배치되지 않으면서 모든 기능들을 포함하여 하나 이상의 기능을 수행할 수 있다. 예를 들어, 에뮬레이션 디바이스들은 하나 이상의 컴포넌트의 테스트를 구현하기 위해 테스트 실험실 및/또는 배치되지 않은(예를 들어, 테스트용) 유선 및/또는 무선 통신 네트워크에서의 테스트 시나리오에서 이용될 수 있다. 하나 이상의 에뮬레이션 디바이스는 테스트 장비일 수 있다. 데이터를 전송하고/하거나 수신하기 위해 RF 회로부(예를 들어, 하나 이상의 안테나를 포함할 수 있는)를 통한 직접 RF 커플링 및/또는 무선 통신이 에뮬레이션 디바이스들에 의해 사용될 수 있다.
다음 설명은 예시적인 목적을 위한 것이며, 본원에 기술된 방법들의 적용 가능성을 어떤 경우에도 특정 무선 기술, 특정 통신 기술, 및/또는 다른 기술들에 한정하지 않는다. 본 개시내용에서 네트워크라는 용어는 하나 이상의 기지국(예를 들어, gNB)을 지칭할 수 있으며, 이는 결국 하나 이상의 송수신 포인트(TRP: Transmission/Reception Point) 또는 무선 액세스 네트워크의 임의의 다른 물리적 노드 및/또는 논리적 노드와 연관될 수 있다.
실시형태들에 따르면, WTRU가 AI 모델을 이용하여 채널 상태 정보 피드백(또는 그 일부)의 생성 및 전송과 관련된 하나 이상의 양태를 결정하는 방법들이 개시된다.
인공 지능/기계 학습(AIML: artificial intelligence/machine learning) 기반 방법들은 해상도 CSI 피드백을 개선할 수 있는 잠재력을 갖고 있으며 CSI-RS 오버헤드 감소로 성능을 증가시킬 수 있다. 오토인코더는 CSI 압축 사용 사례에 고려되는 AIML 모델 아키텍처들 중 하나이다. 오토인코더 아키텍처는 두 부분, 인코더 AIML 모델(WTRU에서의)과 디코더 AI 모델(예를 들어, gNB에서의)로 이루어질(예를 들어, 구성될) 수 있다. 일부 사례에서, 인코더와 인코더 AIML 모델 둘 모두는 공동으로 훈련/설계된다. 인코더/디코더는 다수의 계층을 가질 수 있다 - 인코더에서 각 계층의 출력은 입력보다 작다 - (디코더의 경우는 그 역임). 일반적으로, 계층 수가 많을수록 모델 복잡도가 증가하고, 스토리지 요구 사항이 증가하고, 훈련 복잡도가 증가할 수 있음을 의미하고 예를 들어, 또한 성능/압축률이 더 좋아진다는 것을 의미할 수 있다.
자동 인코더 기반 아키텍처가 작동하기 위해 디코더는 일반적으로 압축/인코딩에 사용된 인코더에 대한 지식을 활용한다. 둘 이상의 인코더 모델이 다양한 이유로 CSI 압축을 위해 정의될 수 있다. 예를 들어,
다수의 인코더 모델은 기지국(예를 들어, gNB) 스케줄러에 대한 다양한 요구 사항(예를 들어, 저지연 CSI, 고해상도 CSI, 낮은 오버헤드 CSI 등)을 충족하도록 정의될 수 있다.
상이한 WTRU 공급 업체들은 비용, 복잡도, 성능 간의 균형을 맞추기 위해 (사전 정의된 세트 중에서) 서로 다른 인코더들을 구현하는 것을 선택할 수 있다.
오토인코더 기반 아키텍처가 작동하려면, 디코더는 어떤 인코더가 사용되었는지 알아야 할 수 있다.
둘 이상의 인코더 모델이 구성된 경우, WTRU는 CSI 처리를 위해 어떤 인코더가 선택되어야 하는지 결정할 수 있고, 그리고/또는 WTRU는 선택된 인코더 모델을 기지국(예를 들어, gNB)에 표시할 수 있다.
1.
인공 지능(AI)
인공 지능은 기계들이 보여주는 거동(behavior)으로 넓게 정의될 수 있다. 그러한 거동은 예를 들어, 감지, 추론, 적응, 및 작동하기 위해 인지 기능들을 모방할 수 있다.
1.1.
기계학습(ML)
[ML의 일반 원칙]
기계 학습은 명시적으로 프로그래밍('규칙 세트 구성')되지 않고 경험('데이터')을 통한 학습에 기초하여 문제를 해결하는 알고리즘들의 유형을 의미할 수 있다. 기계 학습은 AI의 서브세트로 간주될 수 있다. 다양한 기계 학습 패러다임들은 학습 알고리즘에 사용될 수 있는 데이터 또는 피드백의 특성에 기초하여 구상될 수 있다. 예를 들어, 지도 학습 접근법은 라벨링된 훈련 예에 기초하여 입력을 출력에 매핑하는 함수를 학습하는 것을 포함할 수 있으며, 각 훈련 예는 입력 및 상응하는 출력으로 이루어지는(예를 들어, 구성되는) 쌍일 수 있다. 예를 들어, 비지도 학습 접근 방식은 기존 라벨이 없는 데이터에서 패턴들을 검출하는 것을 포함할 수 있다. 예를 들어, 강화 학습 접근 방식은 누적 보상을 최대화하기 위해 환경에서 일련의 액션(action)들을 수행하는 것을 포함할 수 있다. 일부 실시형태에서, 상기 언급된 접근법들의 조합 또는 보간을 사용하여 기계 학습 알고리즘들을 적용하는 것이 가능하다. 예를 들어, 준지도 학습 접근 방식은 훈련 중에 소량의 라벨링된 데이터와 다량의 라벨링되지 않은 데이터의 조합을 사용할 수 있다. 이와 관련하여, 준지도 학습은 비지도 학습(라벨링된 훈련 데이터 없음)과 지도 학습(예를 들어, 라벨링된 훈련 데이터(예를 들어, 라벨링된 훈련 데이터만) 있음) 사이에 해당한다.
1.2.
딥러닝(DL)
딥러닝은 생물학적 시스템에서 느슨하게 영감을 받은 인공 신경망(구체적으로 DNN)들을 채용하는 종류의 기계 학습 알고리즘을 의미한다. 심층 신경망(DNN: Deep Neural Network)들은 입력이 선형적으로 변환되고 비선형 활성화 함수를 여러 번 통과하는 인간의 뇌에서 영감을 얻은 특별한 종류의 기계 학습 모델이다. DNN들은 일반적으로 다수의 계층으로 이루어질(예를 들어, 구성될) 수 있고, 각 계층은 선형 변환과 소정의 비선형 활성화 함수들로 이루어질(예를 들어, 구성될) 수 있다. DNN들은 역전파 알고리즘을 통해 훈련 데이터를 사용하여 훈련될 수 있다. 최근, DNN들은 다양한 도메인, 예를 들어, 음성, 시각, 자연어 등에서, 그리고 다양한 기계 학습 설정, 예를 들어, 지도, 비지도, 및 반지도에서 최첨단 성능을 보여주고 있다. AIML 기반 방법들/처리라는 용어는 액션 단계들의 순서를 명시적으로 구성하지 않고 데이터에 기초하여 학습하여 거동을 실현하고 그리고/또는 요구 사항을 준수하는 것을 의미할 수 있다. 이러한 방법을 사용하면 레거시 방법들을 사용할 때 특정하고/하거나 구현하기 어려운 복잡한 거동을 학습할 수 있다.
1.3.
오토인코더
오토인코더는 비지도 기계 학습 설정의 맥락에서 발생하는 특정한 종류의 DNN들이고, 여기서 고차원 데이터는 DNN 기반 인코더를 사용해 저차원 잠재 벡터로 비선형적으로 변환되고 나서 저차원 잠재 벡터는 비선형 디코더를 사용해 고차원 데이터를 다시 생성하는 데 사용된다. 인코더는 로 표현되며, 여기서 x는 고차원 데이터이고 는 인코더의 매개변수를 나타낸다. 디코더는 로 표현되며, 여기서 z는 저차원 잠재 표현이고 는 디코더의 매개변수들을 나타낸다. 또한 훈련 데이터 을 사용하여 오토인코더는 다음의 최적화 문제를 해결함으로써 훈련될 수 있다.
.
위의 문제는 역전파 알고리즘을 사용하여 대략적으로 해결될 수 있다. 훈련된 인코더 는 고차원 데이터를 압축하는 데 사용될 수 있고, 훈련된 디코더 는 잠재 표현을 압축 해제하는 데 사용될 수 있다.
AI, ML, DL, DNN라는 용어는 상호교환 가능하게 사용될 수 있다. 본원에 설명된 방법들은 무선 통신 시스템들에서의 학습에 기초한 예이다. 이러한 방법들은 이러한 시나리오들, 시스템들 및 서비스들에 국한되지 않으며 모든 유형의 전송, 통신 시스템들 및/또는 서비스들 등에 적용될 수 있다.
2.
CSI 보고
채널 상태 정보는 채널 품질 인덱스(CQI: channel quality index), 랭크 표시자(RI: rank indicator), 프리코딩 매트릭스 인덱스(PMI: precoding matrix index), L1 채널 측정(예를 들어, 기준 신호 수신 전력(RSRP: Reference Signal Receive Power), 예컨대 L1-RSRP 또는 신호 대 간섭비(SINR: Signal-to-Interference Ratio)), CSI-RS 자원 표시자(CRI: CSI-RS resource indicator), SS/PBCH 블록 자원 표시자(SSBRI: SS/PBCH block resource indicator), 계층 표시자(LI: layer indicator) 및/또는 구성된 기준 신호(예를 들어, CSI-RS 또는 SS/PBCH 블록 또는 임의의 다른 기준 신호)로부터 WTRU에 의해 측정된 임의의 측정량을 포함할 수 있다.
2.1.
CSI 보고 프레임워크
WTRU는 물리 업링크 제어 채널(PUCCH: Physical Uplink Control Channel) 상의 업링크 제어 채널을 통해 CSI를 보고하도록 구성되거나, UL 물리 업링크 공유 채널(PUSCH: Physical Uplink Shared Channel) 그랜트 상의 기지국들(예를 들어, gNB들)의 요청에 따라 구성될 수 있다. 구성에 따라 CSI-RS는 대역폭 부분(BWP: BandWidth Part)의 전체 대역폭 또는 그 일부만을 커버할 수 있다. CSI-RS 대역폭 내에서 CSI-RS는 각 물리 자원 블록(PRB: Physical Resource Block) 또는 다른 모든 PRB에 구성될 수 있다. 시간 도메인에서, CSI-RS 어느 한 양태들은 주기적, 반영구적 또는 비주기적으로 구성될 수 있다. 반영구적 CSI-RS는 자원이 MAC 제어 요소(MAC CE: MAC Control Elements)에 의해 (비)활성화될 수 있다는 점을 제외하면 주기적 CSI-RS와 유사하고; 그리고 WTRU는 자원이 활성화된 경우에(예를 들어, 활성화된 경우에만) 관련 측정값을 보고한다. 비주기적 CSI-RS의 경우, WTRU는 다운링크 제어 정보(DCI)의 요청에 의해 PUSCH로 측정된 CSI-RS를 보고하도록 트리거링된다. 주기적 보고는 PUCCH를 통해 반송되는 반면, 반영구적 보고는 PUCCH 또는 PUSCH에서 반송될 수 있다. 보고된 CSI는 예를 들어, 채널의 시간 주파수 선택에 기초하여 최적의 자원 블록들을 할당하고, 프리코딩 매트릭스들, 빔들, 전송 모드를 결정하고, 그리고 적합한 변조 및 코딩 방식(MCS: Modulation and Coding Scheme)들을 선택할 때 스케줄러에 의해 사용될 수 있다. WTRU CSI 보고의 신뢰성, 정확성 및 적시성은 URLLC 서비스 요구 사항을 충족하는 것이 매우 중요할 수 있다.
WTRU는 하나 이상의 CSI 보고 설정, 자원 설정, 및/또는 하나 이상의 CSI 보고 설정과 하나 이상의 자원 설정 간의 링크를 포함할 수 있는 CSI 측정 설정으로 구성될 수 있다. 도 2는 CSI 보고 설정, 자원 설정 및 링크에 대한 구성의 일 실시예를 도시한다.
CSI 측정 설정에서, 다음과 같은 구성 매개변수들 중 임의의 것이 제공될 수 있다.
CSI 보고 설정(201, 202)은 다음 중 임의의 것을 포함할 수 있다.
o 시간 도메인 거동: 비주기적 또는 주기적/반영구적.
o 적어도 PMI 및 CQI에 대한, 주파수 입도.
o CSI 보고 유형(예를 들어, PMI, CQI, RI, CRI 등).
o PMI가 보고되는 경우, PMI 유형 (유형 I 또는 II) 및/또는 코드북(Codebook) 구성.
자원 설정(211, 212, 213)은 다음 중 임의의 것을 포함할 수 있다.
o 시간 도메인 거동: 비주기적 또는 주기적/반영구적.
o RS 유형(예를 들어, 채널 측정 또는 간섭 측정용).
o S ≥1 자원 세트(들), 각 자원 세트는 Ks개의 자원들을 포함할 수 있다.
CSI 측정 설정(221)은 다음 중 적어도 하나를 포함할 수 있다.
o 하나의 CSI 보고 설정.
o 하나의 자원 설정.
o CQI의 경우, 기준 전송 방식 설정.
다음 주파수 입도 중 임의의 것에서 컴포넌트 반송파에 대한 CSI 보고가 지원될 수 있다.
o 광대역 CSI.
o 부분 대역 CSI.
o 부대역 CSI.
코드북 기반 프리코딩
도 3은 피드백 정보를 갖는 코드북 기반 프리코딩의 기본 개념을 보여 준다. 피드백 정보는 도면에 도시된 바와 같이 코드북에서 코드워드 인덱스로 지칭될 수 있는 PMI를 포함할 수 있다.
도 3에 도시된 바와 같이, 코드북은 각 랭크 및 안테나 포트 수에 대한 프리코딩 벡터/매트릭스 세트를 포함하고, 각 프리코딩 벡터/매트릭스는 그 자신의 인덱스를 갖고 있어서 수신기가 선호 프리코딩 벡터/매트릭스 인덱스를 송신기에 알려 줄 수 있다. 코드북 기반 프리코딩은 비코드북 기반 프리코딩에 비해서 프리코딩 벡터/매트릭스 수가 한정적이기 때문에 성능이 저하될 수 있다. 그러나, 예를 들어, 코드북 기반 프리코딩의 한 가지 장점은 낮은 제어 시그널링/피드백 오버헤드일 수 있다. 표 1은 2Tx용 코드북의 예를 보여준다.
[표 1]
CSI 처리 기준
CSI 처리 장치(CPU: CSI processing unit)는 최소 CSI 처리 장치로 지칭될 수 있고, WTRU는 하나 이상의 CPU(예를 들어, N개의 CPU)를 지원할 수 있다. N개의 CPU가 있는 WTRU는 N개의 CSI 피드백 계산을 병렬로 추정할 수 있으며, 여기서 N은 WTRU의 능력일 수 있다. WTRU가 동시에 N개보다 많은 CSI 피드백을 추정하도록 요청받는 경우, WTRU는 우선순위가 높은 N개의 CSI 피드백을 수행할 수 있고 나머지는 추정되지 않을 수 있다.
CPU의 시작 및/또는 종료는 다음과 같이 CSI 보고 유형(예를 들어, 비주기적, 주기적, 반영구적)에 기초하여 결정될 수 있다.
주기적 및 반영구적 CSI 보고의 경우, CPU는 (예를 들어, CSI 기준 자원들보다 이르지 않은) 하나 이상의 관련 측정 자원들의 제1 OFDM 심볼부터 CSI 보고의 마지막 OFDM 심볼까지 점유되기 시작할 수 있다.
점유된 CPU 수는 다음 예시와 같이 CSI 측정 유형(예를 들어, 빔 기반 또는 비-빔 기반)에 따라 달라질 수 있다.
비-빔 관련 보고들:
o 채널 측정을 위한 CSI-RS 자원 세트에 Ks개의 CSI-RS 자원이 있는 경우, Ks개의 CPU.
빔 관련 보고들(예를 들어, "cri-RSRP", "ssb-Index-RSRP", 또는 "논(none)"):
o CSI 계산 복잡도가 낮기 때문에 채널 측정을 위한 CSI-RS 자원 세트 내의 CSI-RS 자원 수에 관계없이 1개의 CPU.
o "논(none)"은 P3 동작 또는 비주기적 추적 기준 신호(TRS: Tracking Reference Signal) 전송에 사용될 수 있다.
단일 CSI-RS 자원을 갖는 비주기적 CSI 보고의 경우 1개의 CPU가 점유될 수 있다.
Ks개의 CSI-RS 자원을 사용하는 CSI 보고의 경우, WTRU가 각 CSI-RS 자원에 대해 CSI 측정을 수행(예를 들어, 수행이 필요)할 수 있으므로 Ks개의 CPU가 점유될 수 있다.
비점유 CPU의 수(N_u)가 CSI 보고를 위해 필요한 CPU(N_r)보다 적은 경우(예를 들어, 때) 다음과 같은 WTRU 거동이 사용될 수 있다.
WTRU는 데이터/하이브리드 자동 재송 요구(HARQ: Hybrid Automatic Repeat reQuest) 없이 PUSCH에서 업링크 제어 정보(UCI: Uplink Control Information)의 경우 우선순위에 기초하여 N_r - N_u CSI 보고를 드롭할 수 있다.
WTRU는 예를 들어, 다른 경우에 PUSCH의 레이트 매칭 핸들링(rate-matching handling)을 피하기 위해 우선순위에 기초하여 Nr - Nu CSI 보고로 더미 정보(dummy information)를 보고할 수 있다.
3.
처리 유형들
3.1.
레거시 처리
실시형태들에 따르면, 레거시 처리라는 용어는 절차 텍스트, 시그널링 구문 등의 형태로 명시적으로 정의된 특정 WTRU 거동 및/또는 요구 사항을 의미할 수 있다. 레거시 처리라는 용어는 (예를 들어, 본질적으로) 비-AIML 기반인 레거시 알고리즘들에 기초한 모든 처리를 의미할 수 있다. 레거시 처리, 규칙 기반 처리, 종래의 처리/방식 및 베이스라인 처리라는 용어는 상호교환 가능하게 사용될 수 있다. 예를 들어, CSI 피드백 사용 사례의 경우, 레거시 처리는 섹션 2에 개괄된 단계들을 포함할 수 있다.
3.2.
AIML 처리
실시형태들에 따르면, AIML 처리라는 용어는 데이터를 사용하는 훈련에 기초하여 학습되는 특정 WTRU 거동 및/또는 그의 처리 또는 부분들을 지칭할 수 있다. AIML 처리는 고전적인 기계 학습 기법들 및/또는 딥러닝 기법들 중 하나 이상을 포함할 수 있다. AIML 처리는 분류, 예측, 패턴 인식, 차원 축소, 추정, 보간, 클러스터링, 회귀, 압축, 추천, 임의 함수의 근사화 중 하나 이상을 수행하기 위해 하나 이상의 AI 모델 아키텍처를 적용할 수 있다. IML 처리는 지도, 비지도, 강화 학습 또는 그 변형을 활용할 수 있다. 예를 들어, AIML 처리를 적용하는 AIML 모델은 오프라인 훈련, 온라인 훈련, 온라인 정제 또는 이들의 조합과 같은 다양한 기법을 통해 훈련될 수 있다. 예를 들어, 이러한 훈련은 WTRU에서 로컬로 수행되거나, 부분적으로 WTRU에서 수행되거나, 네트워크에서 다운로드될 수 있다.
원칙은 프로토콜 내에서 AIML의 범위를 도입 및/또는 제어하는 것을 의미한다
프로토콜 계층은 하나 이상의 처리 블록을 사용하여 정의될 수 있다. 각 처리 블록은 잘 정의된/지정된 입력과 출력을 가질 수 있다. 여기서 처리 블록은 규칙 기반 단계들로 구현되거나 AIML 모델을 사용하여 구현될 수 있다. 일부 실시형태에서, 처리 블록은 규칙 기반 또는 AIML 기반이 되도록 동적으로 구성될 수 있다. 예를 들어, AIML 모델 동작은 훈련 데이터의 영향을 받을 수 있다. 예를 들어, AIML 모델 및/또는 그 매개변수화의 거동은 다음 중 하나 이상의 영향을 받을 수 있다. 네트워크(NW) 구성, WTRU 구현, 애플리케이션 구성 또는 기본/기준(default/reference) AI 모델 구성. 또한, AI 컴포넌트는 다양한 레벨의 성능, 예를 들어, 구성 가능한 처리 복잡도/정확도/전력 소비/입도를 달성하도록 구성될 수 있다.
프로토콜 계층과 관련된 기능은 하나의 처리 블록 또는 둘 이상의 처리 블록의 캐스케이딩에 의해 구현될 수 있으며, 각 처리 블록은 특정 하위 작업을 구현할 수 있다. 일부 구현에서, 캐스케이딩은 다양한 처리 블록들을 일종의 상호 연동('레고'와 같은) 임의 패턴으로 함께 연결하는 것을 포함할 수 있다. 예를 들어, 처리 블록은 순서대로 배열될 수 있으며, 한 처리 블록의 출력은 다른 처리 블록에 대한 입력이 될 수 있다. 예를 들어, 처리 블록은 병렬로 배열될 수 있으며, 하나의 처리 블록의 출력은 둘 이상의 처리 블록에 입력될 수 있다. 예를 들어, 둘 이상의 처리 블록의 출력은 하나의 처리 블록에 입력될 수 있다. 예를 들어, 시간 T에서 처리 블록의 입력은 T-n과 동일하거나 다른 처리 블록의 출력일 수 있다. 예를 들어, n의 값들은 사전 구성될 수 있다(예를 들어, 기본값은 1 또는 이전 시간 인스턴스일 수 있다).
실시형태들에 따르면, WTRU는 무선 채널을 통해 원격 AIML 모델에 통신 가능하게 링크된 AIML 모델로 구성될 수 있다. 실시형태들에 따르면, WTRU의 AIML 모델은 인코더 기능에 상응할 수 있고, 원격 AIML 모델은 디코더 기능일 수 있다. 실시형태들에 따르면, WTRU에서의 AIML 모델은 디코더 기능에 상응할 수 있고 원격 AIML 모델은 인코더 기능일 수 있다. 예를 들어, AIML 모델은 적어도 부분적으로 심층 신경망을 포함할 수 있다. 실시형태들에 따르면, 본원의 인코더와 디코더는 오토인코더 아키텍처를 형성하도록 커플링될 수 있다. 실시형태들에 따르면, AIML 모델은 WTRU에 위치할 수 있고, 원격 AIML 모델은 네트워크에 위치할 수 있다. 예를 들어, 이러한 인코더/디코더 아키텍처는 CSI 피드백 결정 및/또는 압축과 같은 기능에 적용될 수 있다.
4.
문제 서술
자율 또는 NW 제어 거동이 있는 터미널 디바이스 또는 무선 인터페이스의 AI/ML
ML을 포함한 AI는 무선 송신기 및/또는 무선 수신기에 적용될 수 있다. AI/ML은 예를 들어, 노드 내 로컬 최적화 및/또는 에어 인터페이스(AI-AI)를 통한 기능 또는 절차의 일부로 무선 노드의 하나 이상의 특정 양태, 기능 또는 프로토콜 동작을 개선하는 데 사용될 수 있다. 통신 시스템 또는 통신 프로토콜 스택 내에서 인공 지능을 지원하는 것과 관련된 몇 가지 문제가 있을 수 있다.
일반적으로 3GPP 프레임워크 내의 AIML 모델의 사용 및 시스템 영향은 기고/문헌에서 다루어지지 않는다. 오토인코더 기반 아키텍처가 작동하려면 디코더는 어떤 인코더가 사용되었는지 알아야 할 수 있다. WTRU와 기지국(예를 들어, gNB) 간의 모델 동기화 절차가 정의되어야 한다. 다음과 같은 문제들이 다루어진다.
WTRU가 AIML 처리를 적용하기로 결정한 경우, WTRU는 CSI 피드백 생성을 위해 어떤 인코더를 사용해야 할지를 어떻게 결정해야 하는가.
WTRU은 선택된 인코더 모델을 기지국(예를 들어, gNB)에 어떻게 표시해야 하는가.
5.
AI 기반 무선 시스템을 위한 다중해상도 CSI 피드백 방법
본원에 기술된 방법들은 무선 통신 인터페이스들 및 중계 기능을 갖거나 가지지 않는 디바이스 대 디바이스 통신들을 위한 프로토콜들을 포함하는 3GPP LTE Uu, 3GPP NR Uu, 3GPP Sidelink, IEEE Wi-Fi 기술들과 같은 2개(포인트-투-포인트) 또는 그 이상(포인트-투-멀티포인트)의 통신 디바이스를 포함하는 임의의 통신 링크에 제한 없이 적용될 수 있다. 본원에 기술된 방법들은 예를 들어, Uu 인터페이스 또는 사이드링크 기반 SL 인터페이스를 통한 WTRU 기반(예를 들어, UE 기반) 및 NW 기반 접근법 모두에 적용 가능하다. 예시적인 실시형태들은 그러나 셀룰러 통신의 맥락에서 이동 단말기(예를 들어, WTRU/UE)에서 실행되는 무선 관련 기능에 기초하여 설명된다.
도 4에 예시된 바와 같이, WTRU(102)는 CSI 피드백 생성 및 전송과 관련된 적어도 하나의 동작을 수행하도록 AIML 모델(410)로 구성될 수 있다. 실시형태들에 따르면, 구성된 AIML 모델(410)은 오토인코더 아키텍처의 인코더 부분에 대응할 수 있다. 예를 들어, 네트워크 노드/베이스 스테이션(401)(예를 들어, gNB)은 오토인코더 아키텍처의 디코더 부분을 사용하여 인코더 AIML 모델(410)에 의해 생성된 CSI 피드백을 처리할 수 있다.
다중화 기준(405)
CSI 피드백은, 예를 들어, 다양한 유형의 PMI(유형 1, 유형 2 등), CSI-RS 자원 표시자(CRI), SS/PBCH 블록 자원 표시자(SSBRI), 계층 표시자(LI), 랭크 표시자(RI), L1-RSRP 또는 L1-SINR 등을 포함하는 다수의 컴포넌트를 포함할 수 있다. 채널의 일부 통계적 특성, 예를 들어, 명시적 채널 매트릭스, 공분산 채널 매트릭스, SINR의 평균/표준 편차 등을 포착하는 추가적인 유형들의 피드백이 구상될 수 있다.
실시형태들에 따르면, WTRU는 제1 인스턴스에서 AIML 모델(410)을 사용하여 완전한 CSI 보고(403)를 생성하고, 제2 인스턴스 동안 레거시 처리(409)를 사용하여 완전한 CSI 보고(403)를 생성하도록 구성될 수 있다. WTRU는 특정 시간 인스턴스에서 CSI 보고 생성을 위해 적용되어야 하는 처리 유형을 결정하기 위해 다중화 규칙(405)으로 구성될 수 있다. 실시형태들에 따르면, WTRU는 AIML 모델(410)과 레거시 처리(409)의 조합을 사용하여 CSI 보고(403)를 생성할 수 있다. 예를 들어, WTRU는 레거시 처리(409)를 사용하여 채널 추정치를 도출하고, 도출된 채널 추정치를 AIML 모델(410)에 대한 입력으로 적용할 수 있다. 실시형태들에 따르면, WTRU는 AIML 모델(410)을 사용하여 CSI 보고(403)의 제1 부분을 생성하고, 레거시 CSI 처리(409)를 사용하여 CSI 보고(403)의 제2 부분을 생성할 수 있다. WTRU는 다음 중 임의의 것을 결정하기 위해 다중화 기준(405)으로 구성될 수 있다.
CSI 피드백이 AIML 모델에 의해 생성되는 때.
CSI 피드백의 일부가 AIML 모델에 의해 생성되는지 여부. 예를 들어, AIML 기반 처리는 PMI 보고에 적용될 수 있고 레거시 처리는 CRI, L1-RSRP 등에 적용될 수 있다.
AIML 모델에 의해 생성되는 CSI 피드백의 양.
선택 기준
실시형태들에 따르면, WTRU는 CSI 처리를 위해 사전 구성된 AIML 모델 세트에서 AIML 모델의 서브세트를 선택하도록 선택 기준을 사용하여 구성될 수 있다. 그런 다음, WTRU는 CSI 처리를 위해 선택된 AIML 모델 중 하나 이상을 사용할 수 있다. 여기서 서로 다른 AIML 모델들은 서로 다른 특성들에, 예를 들어, 다음 중 임의의 것에 연관될 수 있다.
서로 다른 AIML 모델들은 특정 시나리오(예를 들어, SNR, 도플러 등)에서 더 나은 성능을 위해 최적화될 수 있다.
상이한 AIML 모델들은 기지국(예를 들어, gNB) 스케줄러에 대한 다양한 요구 사항(예를 들어, 저지연 CSI, 고해상도 CSI, 낮은 오버헤드 CSI 등)을 충족하도록 구성될 수 있다.
상이한 AIML 모델들은 메모리 요구 사항, 처리 요구 사항, 복잡도, 성능 간의 균형을 맞출 수 있도록 구성될 수 있다.
5.1.
AIML 모델 구성 방법
CSI 압축을 위한 모델 페어링 ~ 예를 들어, 복수의 인코더 디코더 쌍이 사전 정의된 경우
실시형태들에 따르면, CSI 피드백 생성을 위한 복수의 인코더 및/또는 디코더 AIML 모델이 사전 정의될 수 있다. WTRU는 복수의 인코더 AIML 모델들로 구성될 수 있다. 실시형태들에 따르면, WTRU는 브로드캐스트 및/또는 유니캐스트 신호를 통해 네트워크에서 인코더 AIML 모델을 획득할 수 있다. 각 AIML 모델은 논리 아이덴티티로 식별될 수 있다.
WTRU 및 기지국(예를 들어, gNB)의 AIML 모델들은 적절한 오토인코더 동작을 위해 페어링(본원에서 '모델 페어링'으로 지칭된)되어야 할 필요가 있을 수 있다. 페어링은 AIML 모델들 간의 일대일 또는 일대다 또는 다대다 관계에 기초할 수 있다. 실시형태들에 따르면, 인코더 모델과 상응하는 디코더 모델 간의 연결이 사전 정의될 수 있다. 실시형태들에 따르면, WTRU는 각 인코더 AIML 모델과 디코더 AIML 모델 간의 매핑으로 구성될 수 있다. 실시형태들에 따르면, WTRU는 인코더 AIML 모델과 디코더 AIML 모델 간의 셀 특정 매핑으로 구성될 수 있다. WTRU는 매핑이 서빙 셀 및/또는 기지국(예를 들어, gNB) 내에서 유효하다고 가정할 수 있고, 매핑이 다른 서빙 셀 및/또는 기지국(예를 들어, gNB)에서 유효하다고 가정하지 않을 수 있다. 실시형태들에 따르면, WTRU는 인코더 AIML 모델과 디코더 AIML 모델 간의 WTRU 특정 매핑으로 구성될 수 있다. WTRU는 WTRU 특정 매핑으로 구성될 때까지 기본 매핑 또는 셀 특정 매핑으로 동작할(예를 들어, 이 매핑을 가정할) 수 있다.
디코더 기반 AIML 모델 페어링
실시형태들에 따르면, WTRU는 기지국(예를 들어, gNB)에서 사용되는 디코더 AIML 모델의 함수로서 인코더 AIML 모델을 선택하도록 구성될 수 있다. 예를 들어, WTRU는 기지국(예를 들어, gNB)에서 디코더 모델과 연관된 논리 아이덴티티의 표시를 수신할 수 있다. WTRU는 CSI 압축을 위해 상응하는 페어링된 인코더를 (사전 정의된 그리고/또는 구성된 매핑에 기초하여) 선택할 수 있다. 예를 들어, WTRU는 시스템 정보 메시지에서 기지국에서 사용되는 디코더(예를 들어, gNB)의 표시를 수신할 수 있다. 예를 들어, WTRU는 무선 자원 제어(RRC: Radio Resource Control) 재구성 또는 RRC 설정 메시지에서 기지국에서 사용되는 디코더(예를 들어, gNB)의 표시를 수신할 수 있다.
인코더 기반 AIML 모델 페어링
실시형태들에 따르면, WTRU는 인코더 AIML 모델을 선택하기 위한 규칙으로 사전 구성될 수 있다. WTRU는 선택된 인코더 AIML 모델을 기지국(예를 들어, gNB)에 표시하도록 구성될 수 있다. 예를 들어, WTRU는 기지국(예를 들어, gNB)에 표시를 전송하여, WTRU의 인코더와 기지국(예를 들어, gNB)의 상응하는 디코더 간의 모델 페어링을 알려주도록 그리고/또는 지원하도록 구성될 수 있다. 예를 들어, 이러한 표시는 초기 액세스 절차 중에 전송될 수 있다. 실시형태들에 따르면, WTRU는 AIML 모델과 연관된 논리 아이덴티티를 (예를 들어, 암시적으로) 표시할 수 있다. 예를 들어, 랜덤 액세스 자원(예를 들어, 시간, 주파수 및/또는 프리앰블 자원)과 AIML 모델 아이덴티티 사이의 사전 구성된 연관성에 기초한다. 실시형태들에 따르면, WTRU는 AIML 모델과 연관된 논리적 아이덴티티를 표시할 수 있다(예를 들어, 명시적으로). 예를 들어, WTRU는 2단계 랜덤 액세스 채널(RACH) 절차의 msgB로 AIML 모델 아이덴티티를 전송할 수 있다. 예를 들어, WTRU는 RRC 메시지(예를 들어, RRC 설정 요청 메시지 또는 RRC 재개 요청, WTRU 지원 정보, WTRU 능력 정보, RRC 재구성 완료 등)에서 AIML 모델 ID를 전송할 수 있다.
실시형태들에 따르면, 디코더와 인코더 기반 모델 페어링의 조합이 사용될 수 있다. 예를 들어, WTRU는 E(여기서 E>=1) 인코더 모델을 구현할 수 있다. WTRU는 기지국(예를 들어, gNB)에서 지원되는 디코더 모델 D(여기서 D>=1)의 목록을 수신할 수 있다. WTRU는 기지국에서 지원되는 디코더 목록(예를 들어, gNB)에 기초하여 페어링할 수 있는 인코더의 서브세트 S(여기서 S>=1 및 S<=E 및 S<=D)를 선택할 수 있다. WTRU는 선택한 서브세트 S를 기지국(예를 들어, gNB)에 표시할 수 있다. 기지국(예를 들어, gNB)은 CSI 압축에 적용 가능한 인코더의 제한된 서브세트 R(여기서 R<=S)을 추가로 구성할 수 있다. 임의의 인스턴스에서, WTRU는 기지국(예를 들어, gNB)의 표시에 기초하여 세트 R 내에서 CSI 압축을 위한 인코더를 선택할 수 있다. 이러한 표시는 예를 들어, 수신된 활성화/비활성화 명령에 기초한 반정적(semi-static) 표시이거나 DCI 필드의 표시에 기초한 동적 표시일 수 있다.
AI 기반 CSI 피드백을 구성하고/인에이블하기 위한 시그널링
WTRU는 RRC 시그널링 내의 하나의 구성 요소(예를 들어, CSI-MeasConfig) 또는 구성 요소들, MAC CE(예를 들어, 비주기적 CSI 트리거 상태 선택에 따른 특정 CSI 자원 서브세트들의 활성화 비활성화, 반영구적 CSI 보고의 활성화/비활성화, 사전 구성된 CSI-RS 자원 세트의 활성화/비활성화 등), CSI 요청을 반송하는 DCI의 표시(예를 들어, 비주기적 CSI 요청)에 기초하여 AIML 기반 처리를 CSI 피드백 또는 레거시 처리 CSI 피드백에 적용할지 여부를 결정할 수 있다.
예를 들어, WTRU는 AI 기반 CSI 압축이 다음 조건 중 임의의 것에 기초하여 적용되어야 한다고 결정할 수 있다.
o 보고 구성에 기초하여:
WTRU는 보고 구성이 새 보고 수량 또는 AIML 기반 압축이 사전 구성된 기존 보고 수량을 포함하고 있는 경우 AIML 기반 CSI 피드백을 적용할 수 있다. 예를 들어, 보고 수량 CSI-RS 자원 표시자(CRI)-CQI-NQ로 구성된 경우 WTRU는 CRI 및 CQI 생성에 대해 레거시 메커니즘을 적용하고 NQ에 대해 AIML 기반 피드백을 적용할 수 있고, 여기서 NQ는 새 보고 수량 또는 AIML 기반 피드백이 사전 구성된 기존 보고 수량(예를 들어, PMI)이다.
o 코드북 구성에 기초하여:
WTRU는 코드북 유형이 지정되지 않았거나 구성되지 않은 경우 AIML 기반 CSI 피드백을 적용할 수 있다.
WTRU는 코드북 유형이 유형1 또는 유형2인 경우 레거시 CSI 피드백을 적용할 수 있다. WTRU는 코드북 유형이 유형3으로 구성된 경우 AIML 기반 CSI 피드백을 적용할 수 있다.
o PUCCH CSI 자원 구성에 기초하여:
WTRU는 PUCCH 자원 구성에 기초하여 AIML 기반 CSI 피드백을 적용할 수 있다. 예를 들어, PUCCH 자원이 AIML 기반 CSI 피드백을 위해 사전 구성된 PUCCH 자원 ID 또는 PUCCH 형식에 해당하는 경우.
o CSI-RS 자원 구성에 기초하여:
WTRU는 CSI RS 자원 구성에 기초하여 AIML 기반 CSI 피드백을 적용할 수 있다. 예를 들어, CSI-RS 자원 ID 또는 CSI-RS 자원 세트 또는 AIML 기반 CSI 피드백을 위해 사전 구성된 CSI-RS 자원 유형.
o 보고 구성과 AIML 모델 구성 간의 연계(linkage)에 기초하여:
WTRU는 하나 이상의 AIML 모델로 사전 구성될 수 있다. 예를 들어, CSI-AI-modelToAddModList에서. WTRU는 하나 이상의 보고 구성과, 보고 구성과 CSI-AI-modelToAddModList의 AIML 모델 ID 간의 연계를 수신할 수 있다. 트리거링된 CSI 보고가 보고 구성과 연관된 경우(예를 들어, 때), WTRU는 보고 구성이 AIML 모델에 링크된 경우 AIML 기반 처리를 적용하고 그렇지 않은 경우 레거시 처리를 적용할 수 있다.
5.2.
AIML 모델 선택 방법
5.2.1.
CSI 처리 능력에 기초한 AIML모델의 암시적 결정
AIML 기반 CSI 압축을 위한 CSI 처리 장치(CPU) 유형 정의
실시형태들에 따르면, 하나 이상의 CPU 유형이 사용될 수 있으며, 각 CPU 유형은 CSI 압축 방식과 연관될 수 있다. 예를 들어, 제1 CPU 유형은 종래의 CSI 압축에 기반하는 CSI 보고에 사용될 수 있고, 제2 CPU 유형은 AIML 기반 CSI 압축에 기반하는 CSI 보고에 사용될 수 있다. 다음 중 임의의 것이 적용될 수 있다.
WTRU는 제1 CPU 유형과 제2 CPU 유형 각각에 대해 지원되는 자신의 CPU 수의 능력을 보고하거나 표시할 수 있다. 예를 들어, WTRU는 N1 CPU(예를 들어, 제1 CPU 유형) 및 N2 CPU(예를 들어, 제2 CPU 유형)에 대한 자신의 능력을 보고할 수 있으며, 여기서 N1 CPU는 제1 CSI 보고 유형(예를 들어, 종래의 CSI 압축)을 처리하는 데 사용될 수 있고 N2 CPU는 제2 CSI 보고 유형(예를 들어, AIML 기반 CSI 압축)을 처리하는 데 사용될 수 있다.
제1 CPU 유형들 중 하나 이상은 WTRU가 통상적인 CSI 압축(예를 들어, PMI, CQI, RI, LI, L1-RSRP 등을 포함하는 CSI 보고 수량들을 측정하는 비-AIML 기반 압축)을 수행할 때 제1 기간 동안 점유될 수 있으며, 여기서 종래의 CSI 압축은 기준 신호의 측정, 채널의 추정 및 하나 이상의 CSI 보고 수량 중 적어도 하나를 포함할 수 있다.
o 제1 기간은 PDCCH 트리거 후 제1 OFDM 심볼에서 시작하여 비주기적 CSI 보고를 위해 CSI 보고를 반송하는 PUSCH의 마지막 OFDM 심볼에서 끝날 수 있다.
o 제1 기간은 하나 이상의 연관 측정 자원의 제1 OFDM 심볼에서 시작하여 주기적 또는 반영구적 CSI 보고에 대한 CSI 보고를 반송하는 PUCCH 또는 PUSCH의 마지막 OFDM 심볼에서 끝날 수 있다.
o 제1 CPU 유형(N1_u)의 비점유 CPU 수가 제1 CPU 유형(N1_r)의 필수 CPU 수보다 적은 경우(예를 들어, 때), WTRU는 할당된 CPU가 없는 CSI 보고를 위해 더미 CSI를 드롭하거나 송신할 수 있다. 이 경우 제2 CPU 유형(N2_u)에 대해 비점유 CPU는 제1 CPU 유형과 연관된 CSI 보고에 사용되지 않을 수 있다.
제2 CPU 유형들 중 하나 이상은 WTRU가 AIML 기반 CSI 압축을 수행할 때 제2 기간 동안 점유될 수 있으며, 여기서 AIML 기반 CSI 압축은 기준 신호의 측정, AIML 모델 결정, AIML 모델의 입력 차원 결정, AIML 모델의 입력 결정, AIML 모델 수행 및 AIML 모델의 출력 결정 중 적어도 하나를 포함할 수 있다.
o 제2 기간(및/또는 시작 OFDM 심볼)은 다음 중 어느 하나에 기초하여 결정될 수 있다.
CSI 보고 유형(예를 들어, 주기적, 비주기적, 반영구적).
측정 유형(예를 들어, 빔 기반, 비-빔 기반).
측정을 위한 안테나 포트 수(예를 들어, 1개, 2개, 4개, 8개, 16개, 32개 안테나 포트), 여기서 안테나 포트 수는 채널 측정을 위한 측정 기준 신호(예를 들어, CSI-RS)와 연관될 수 있다.
CSI 보고 대역폭 및/또는 CSI-RS 대역폭.
코드북 유형(예를 들어, 단일 패널 유형 1, 다중 패널 유형 2, 단일 패널 유형 2).
부반송파 간격.
주파수 대역(예를 들어, FR1, FR2-1, FR2-2).
AIML 모델(또는 AIML 모델 아이덴티티).
CSI 압축 레벨(예를 들어, AIML 모델의 출력 비트 수).
입력 차원(예를 들어, AIML 모델의 입력 차원 또는 입력 비트 수).
o 제2 CPU 유형(N2_u)에 대한 비점유 CPU 수(예를 들어, 때)가 제2 CPU 유형(N2_r)에 필요한 CPU 수보다 적은 경우, WTRU는 다음 중 하나를 수행할 수 있다.
CPU가 할당되지 않은 CSI 보고를 드롭.
CPU가 할당되지 않은 CSI 보고에 대한 더미 정보를 송신.
더 적은 수의 CPU를 필요로 할 수 있는 AIML 모델을 변경.
AIML 모델들을 사용하는 CSI 압축 방식은 AIML 압축, AIML CSI, AIML CSI 보고 중 어느 것과도 상호교환 가능하게 사용될 수 있다.
CSI 보고는 CSI 측정, CSI 추정, CSI 도출, CSI 계산, CSI 계산 및 CSI 압축 중 어느 것과도 상호교환 가능하게 사용될 수 있다.
종래의 CSI 압축과 AIML 기반 CSI 압축 간의 CPU 공유
WTRU는 N개의 CPU의 능력을 지원하거나 표시할 수 있으며, N개의 CPU는 CSI 압축 방식에 관계없이 CSI 보고에 사용될 수 있다. 예를 들어, 종래의 CSI 압축을 사용하는 CSI 보고가 트리거링될 때 k1개의 CPU가 점유될 수 있고, AIML 기반 CSI 압축을 사용하는 CSI 보고가 트리거링될 때 k2개의 CPU가 점유될 수 있다.
실시형태들에 따르면, AIML 기반 CSI 압축을 사용한 CSI 보고에 대해 점유되는 CPU 수(예를 들어, k2)는 다음 중 어느 하나에 기초하여 결정될 수 있다.
연관된 AIML 모델에 사용되거나 구현된 계층 수.
연결된 AIML 모델에 대한 입력 차원(예를 들어, 비트 수, 샘플 수, 집계된 시간 샘플 수, 집계된 주파수 샘플 수).
CSI 압축에 사용되는 AIML 모델의 수, 여기서 제1 AIML 모델은 CSI 압축을 위한 후속 AIML 모델의 입력을 결정하는 데 사용될 수 있다.
WTRU에서 AIML 모델의 처리 능력, 여기서 처리 능력은 기지국(예를 들어, gNB)에 WTRU 능력으로 표시되거나 보고될 수 있다.
CSI 압축에 사용된 관련 AIML 모드의 아이덴티티.
CSI 보고 유형(예를 들어, 주기적, 비주기적, 반영구적).
측정 유형(예를 들어, 빔 기반, 비-빔 기반).
측정을 위한 안테나 포트 수(예를 들어, 1개, 2개, 4개, 8개, 16개, 32개 안테나 포트), 여기서 안테나 포트 수는 채널 측정을 위한 측정 기준 신호(예를 들어, CSI-RS)와 연관될 수 있다.
CSI 보고 대역폭 및/또는 CSI-RS 대역폭.
코드북 유형(예를 들어, 단일 패널 유형 1, 다중 패널 유형 2, 단일 패널 유형 2).
부반송파 간격.
주파수 대역(예를 들어, FR1, FR2-1, FR2-2).
실시형태들에 따르면, 비점유 CPU(N_u)의 수가 트리거링되거나 구성된 하나 이상의 CSI 보고에 필요한 CPU(N_r)의 수보다 적은 경우(예를 들어, 때), WTRU는 다음 중 임의의 것을 수행할 수 있다.
WTRU는 종래의 CSI 압축을 사용하는 CSI 보고보다 AIML 기반 압축을 사용하는 CSI 보고에 우선순위를 지정할 수 있다. CPU가 할당되지 않은 CSI 보고는 드롭되거나 더미 정보가 보고될 수 있다. 대안적으로, WTRU는 AIML 기반 압축을 사용한 CSI 보고보다 종래의 CSI 압축을 사용한 CSI 보고에 우선순위를 지정할 수 있다.
WTRU는 필요한 CPU 수에 따라 AIML 기반 압축을 사용한 하나 이상의 CSI 보고에 기초하여 우선순위를 지정할 수 있다. 예를 들어, 더 적은 수의 CPU를 필요로 하는 CSI 보고가 더 많은 수의 CPU를 필요로 하는 CSI 보고보다 우선순위가 높을 수 있고, 또한 그 역도 마찬가지이다.
WTRU는 더 적은 수의 CPU를 필요로 하는 AIML 모델을 결정할 수 있다. 예를 들어, 하나 이상의 AIML 모델이 CSI 압축에 사용될 수 있으며 각 AIML 모델은 다수의 CPU를 필요로 할 수 있으며, 필요한 CPU 수는 AIML 모델마다 다를 수 있다. N_u < N_r인 경우, WTRU는 N_g = N_r - N_u 간극을 최소화하거나 줄일 수 있는 AIML 모델을 결정할 수 있다.
WTRU는 N_u < N_r일 때 종래의 CSI 압축으로 돌아가기로 결정할 수 있고, 이 경우 종래의 CSI 압축에 필요한 CPU 수가 AIML 기반 CSI 압축에 필요한 CPU 수보다 작을 수 있다.
AIML 기반 CSI 압축을 사용한 CSI 보고는 AIML 기반 CSI 보고로 지칭될 수 있고, 종래의 CSI 압축을 사용한 CSI 보고는 종래의 CSI 보고로 지칭될 수 있다.
실시형태들에 따르면, WTRU는 하나 이상의 AIML 기반 CSI 보고가 트리거링될 때 비점유 CPU(N_u)의 수에 기초하여 AIML 기반 CSI 보고를 위한 AIML 모델을 결정할 수 있다. 예를 들어, AIML 기반 CSI 보고가 트리거링되거나, 요청되거나, 또는 결정되는 경우(예를 들어, 때) WTRU는 비점유 CPU 수에 기초하여 AIML 기반 CSI 보고를 위한 AIML 모델을 결정할 수 있다. WTRU는 N_u가 임계치 미만이면(N_u<임계치) 제1 AIML 모델을 결정하고, N_u가 임계치 이상이면(N_u≥임계치) 제2 AIML 모델을 결정할 수 있다. 다음 중 임의의 것이 적용될 수 있다.
AIML 모델에 필요한 CPU 수는 사전 결정되거나, 구성되거나, WTRU 능력으로 표시될 수 있다.
임계치는 N_u의 함수로 결정될 수 있다.
임계치는 기지국(예를 들어, gNB)에 의해 사전 결정되거나 구성될 수 있다.
아래의 실시형태들에 따르면, WTRU는 CSI 처리와 관련된 다음 매개변수 중 임의의 것으로 구성될 수 있다.
- 제1 유형의 AIML 모델이 CSI 처리에 사용될 때 점유되는 CPU 수 - 제1 유형의 AIML 모델은 저지연 및/또는 낮은 계산 복잡도 CSI 처리를 위해 그리고/또는 제1 범위의 입력 차원 및/또는 출력 차원을 위해 구성될 수 있다.
- 제2 유형의 AIML 모델이 CSI 처리에 사용될 때 점유되는 CPU 수 - 제2 유형의 AIML 모델은 더 높은 압축 및/또는 더 높은 해상도의 CSI 처리를 위해 그리고/또는 제2 범위의 입력 차원 및/또는 출력 차원을 위해 구성될 수 있다.
- 서로 다른 유형의 AIML 모델 X, Y 및 Z가 CSI 처리에 사용될 때 점유되는 CPU 수 - 각 유형의 AIML 모델은 압축률 및/또는 해상도 CSI 처리, 입력 차원, 출력 차원, 처리 복잡도 중 적어도 하나에서 다를 수 있다.
실시형태들에 따르면, WTRU는 생성된 CSI 보고의 수가 최대가 되도록 CSI 처리를 위해 AIML 모델을 선택하도록 구성될 수 있다. 실시형태들에 따르면, WTRU는 CSI 보고 생성 지연 시간이 최소가 되도록 CSI 처리를 위해 AIML 모델을 선택하도록 구성될 수 있다. 예를 들어, L개의 CPU가 소정의 OFDM 심볼에서 CSI 보고들의 계산을 위해 점유되는 경우, WTRU는 개의 비점유 CPU를 갖는다 N개의 CSI 보고들이 개의 CPU가 점유되지 않은 동일한 OFDM 심볼에서 그들 각각의 CPU를 점유하기 시작하는 경우, 그리고 WTRU가 저지연을 위해 (예를 들어, 암시적으로 PUCCH 자원 타이밍에 기초하거나 명시적으로 CSI 구성의 일부로) 구성되는 경우, WTRU는 가장 낮은 우선순위로 요청된 개의 CSI 보고를 업데이트할 필요가 없고(문헌[TS 38.214]의 조항 5.2.5에 따름), 여기서 은 이 유지되는 가장 큰 값이다.
실시형태들에 따르면, WTRU는 생성된 CSI 보고들의 해상도가 최대화되도록 CSI 처리를 위한 AIML 모델을 선택하도록 구성될 수 있다. 예를 들어, L개의 CPU가 소정의 OFDM 심볼에서 CSI 보고들의 계산을 위해 점유되는 경우, WTRU는 개의 비점유 CPU를 갖는다. NCSI 보고들이 개의 CPU가 점유되지 않은 동일한 OFDM 심볼에서 그들 각각의 CPU를 점유하기 시작하는 경우, 그리고 WTRU가 고해상도 CSI 피드백을 위해 (예를 들어, 암시적으로 PUCCH 자원 타이밍에 기초하거나 명시적으로 CSI 구성의 일부로) 구성되는 경우, WTRU는 가장 낮은 우선순위로 요청된 개의 CSI 보고를 업데이트할 필요가 없고(문헌[TS 38.214]의 5.2.5항에 따름). 여기서, 은 이 유지되는 가장 큰 값이다.
L개의 CPU가 소정의 OFDM 심볼에서 CSI 보고들의 계산을 위해 점유된 경우, WTRU는 개의 비점유 CPU를 갖는다. 보고들이 개의 CPU가 점유되지 않은 동일한 OFDM 심볼에서 그들 각각의 CPU를 점유하기 시작하는 경우, 그리고 WTRU가 CSI 보고 수를 최대화하도록 구성되는 경우, WTRU는 가장 낮은 우선순위로 요청된 개의 CSI 보고를 업데이트할 필요가 없으며(문헌[TS 38.214]의 5.2.5항에 따름). 여기서 는 이 유지되는 가장 큰 값이다.
실시형태들에 따르면, WTRU는 제1 단계로, 생성된 CSI 보고들의 해상도가 최대화되도록 CSI 처리를 위한 AIML 모델을 선택하도록 설정될 수 있다. 제1 단계 이후에 CPU가 더 남아 있으면, 제2 단계로, WTRU는 생성될 수 있는 CSI 보고의 수를 최대화하기 위해 AIML 모델을 선택하도록 구성될 수 있다. 예를 들어, L개의 CPU가 소정의 OFDM 심볼에서 CSI 보고들의 계산을 위해 점유되는 경우, WTRU는 개의 비점유 CPU를 갖는다. N개의 CSI 보고가 개의 CPU가 점유되지 않은 동일한 OFDM 심볼에서 그들 각각의 CPU를 점유하기 시작하는 경우, 그리고 WTRU가 CSI 보고의 해상도와 CSI 보고의 수를 모두 최대화하도록 구성되는 경우, WTRU는 개의 요청된 CSI 보고를 업데이트할 필요가 없으며, 여기서 및 다음 조건들은 참이다.
이 참이 되는 가장 큰 값이다.
추가 CPU가 남아 있다면, , 이는 CPU가 남아 있지 않을 때 또는 모든 CSI 처리가 완료될 때 중 더 이른 시점까지 계속된다.
실시형태들에 따르면, WTRU는 우선순위 CSI 보고들에 기초하여 CSI 처리를 위한 AI 모델을 결정하도록 구성될 수 있다. 예를 들어, WTRU는 가장 높은 우선순위의 CSI 보고들에는 AI 모델 X를 그리고 다음 우선순위의 CSI 보고들에는 AI 모델 Y를 결정하고, 계속해서 가장 낮은 우선순위의 CSI 보고들에 모델 Z를 결정하도록 구성될 수 있다.
5.2.2.
CSI 보고 타이밍에 기초한 AIML 모델의 암시적 결정
WTRU는 CSI 보고를 압축하기 위해 레거시 CSI 보고 방법과 AIML 방법 중에서 선택할 수 있으며, 추가로 CSI 보고를 다양한 정도로 압축하기 위해 CSI 보고 시간까지 CSI 처리에 사용할 수 있는 시간 양에 기초하여 다양한 가용 AIML 모델들 중에서 선택할 수 있다.
WTRU는 크기가 서로 다르고 그에 상응하여 압축 비율이나 품질이 다른 다수의 AI 모델로 구성될 수 있다. 이러한 모델들의 추론 대기 시간은 예를 들어, 그들 각각의 크기, 압축 비율 등과 같은 다양한 매개변수에 기초하여 달라질 수 있다. 이는 CSI 보고 생성을 위한 시간 예산을 결정할 수 있다. 기지국(예를 들어, gNB)은 압축 해제를 (예를 들어, 올바르게) 수행하기 위해 WTRU가 CSI 압축에 사용하는 모델에 대한 지식을 가지고 있을 수 있다(예를 들어, 가져야만 한다).
CSI 계산 시간 개념은 NR에 도입되었다.
1. Z ref 는 CSI 보고(들)를 트리거링하는 PDCCH의 마지막 심볼이 끝난 후 시작되는 주기적 전치 부호(CP: Cyclic Prefix)를 갖고 있는 차기 업링크 심볼로 정의되고, 그리고
2. Z' ref (n)은 비주기적 CSI-RS가 n번째 트리거링된 CSI 보고에 대한 채널 측정에 사용되는 경우 비주기적 CSI 자원의 마지막 심볼이 끝난 후 시작되는 CP를 갖고 있는 차기 업링크 심볼로 정의된다.
여기서 Hz 및 는 반송파 집성, 보조 업링크, 이중 연결 등의 경우 UL 전송을 스위칭하는 기간일 수 있다. K는 상수 64일 수 있다. 는 최소(μPDCCH, μCSI-RS, μUL)에 대응할 수 있으며, 여기서 μPDCCH는 DCI가 전송된 PDCCH의 부반송파 간격에 대응하고 μUL은 CSI 보고가 전송될 PUSCH의 부반송파 간격에 대응할 수 있으며 μCSI-RS는 DCI에 의해 트리거링된 비주기적 CSI-RS의 최소 부반송파 간격에 대응할 수 있다. Z 및 Z'는 CSI 계산 지연, 예를 들어, 복수의 CSI 보고 중 최대 CSI 계산 지연에 대응할 수 있으며, 여기서 각 CSI 보고는 사전 구성된 계산 지연과 연관될 수 있다.
Zref/Z'ref의 값은 WTRU에 의해 선택된 CSI 처리 유형에 따라 달라질 수 있고, AIML(단일 모델이 사용 가능한 경우)/비 AIML 또는 레거시/AIML 모델 유형 1(예를 들어, 제1 유형의 AIML 모델은 저지연 및/또는 낮은 계산 복잡도 CSI 처리를 위해 그리고/또는 제1 범위의 입력 차원 및/또는 출력 차원을 위해 구성될 수 있음)/AIML 모델 유형 2(여기서, 제2 유형의 AIML 모델은 더 높은 압축 및/또는 더 높은 해상도 CSI 처리를 위해 그리고/또는 제2 범위의 입력 차원 및/또는 출력 차원을 위해 구성될 수 있음)가 CSI 처리에 사용되는지에 따라, 각 경우에 ZrefAI/ Z'refAI, ZrefNAI/ Z'refNAI, ZrefAI1/ Z'refAI1 또는 Z'refAI2로 정의될 수 있고, 여기서 이다.
실시형태의 단계들은 다음과 같이 제시될 수 있다.
1. WTRU는 자신의 능력(예를 들어, AI 처리를 위한, CSI 보고 수량당 지원되는 AI 모델 수 등, 다양한 처리 유형: 레거시/비-AIML, AIML 모델 유형 1, AIML 모델 유형 2 등에 대한 Zref/Z'ref)을 보고할 수 있다.
2. WTRU는 적용 가능한 AI 모델/매개변수화 등의 암시적 또는 명시적 구성을 포함하는 CSI 구성을 수신할 수 있다.
o DCI의 CSI request 필드는 PUSCH로 CSI 보고(들)를 트리거링하고, 타이밍 어드밴스의 효과를 포함하는 상응하는 CSI 보고(들)를 반송하기 위한 제1 업링크 심볼을 포함할 수 있다.
추가적으로, DCI Format 0_1은 PUSCH-TimeDomainResourceAllocation 매개변수를 포함할 수 있고, 이는 매개변수 k2를 더 포함할 수 있고 이는 DCI 0_1을 CSI Request와 함께 수신한 후 PUSCH를 통해 CSI-RS 측정 보고를 전송할 때를 WTRU에 알려준다.
매개변수 aperiodicTriggeringOffset 및 k2의 조합은 WTRU가 CSI 처리를 위해 사용할 수 있는 최대 시간을 지정한다.
o CSI 보고를 계산할 때 WTRU가 압축 품질 또는 보고 지연 시간을 최적화할 수 있는지 여부에 대한 표시.
3. WTRU는 레거시/비-AIML, AIML 중에서, 즉 사전 구성된 규칙에 기초하여 CSI 보고 처리를 위해 다수의 가용 AIML 모델 중 하나를 선택할 수 있다.
o 적어도 하나의 양태가 있을 수 있다.
AI 처리 범위(없음, 일부, 전부).
사용할 AI 모델(들).
전송할 CSI 보고/그의 개수.
o 다음에 기초하여 사전 구성된 규칙들:
UE AI 처리 능력: CSI 계산 시간
DCI의 CSI 요청 필드는 Zk AI1보다 크고 Zk AI2보다 작은 보고 지연 시간을 포함하고 여기서 는 AIML 모델 유형 1을 선택한다.
DCI의 CSI 요청 필드는 및 보다 큰 보고 지연 시간을 포함하며(여기서 ) WTRU가 압축 품질을 최적화해야 함을 표시하면, WTRU는 AIML 모델 유형 2를 선택한다.
실시형태들에 따르면, WTRU는 예를 들어, AIML 모델이 CSI 처리의 N개의 이전 인스턴스에서 사용되었는지 여부의 함수로서 CSI 처리를 위한 처리 시간(예를 들어, 필요한)을 결정하도록 구성될 수 있다. 추가 모델 전환 시간 ()은 추론 하드웨어에 필요한 모델을 로딩하는 데 필요할 수 있다. 전환 시간은 필요한 모델이 추론 하드웨어에 이미 로딩된 경우는 작거나 0일 수 있다. 이는 예를 들어, 모델이 CSI 보고의 마지막 N개 인스턴스 중 하나에 이전에 사용되었으므로 메모리에서 로딩할 필요가 없는 경우에 발생할 수 있다. 전환 시간은 다양한 조건의 설정하에서, 예를 들어, 필요한 모델이 CSI 보고의 이전 N개의 인스턴스에서 사용되지 않은 경우, 모델을 메모리로부터 추론 하드웨어로 로딩하는 것에 해당하는 큰 값을 가질 수(취할 수) 있다. N의 값은 WTRU 능력 매개변수일 수 있다.
o 그런 다음 는 적절한 / 에 추가되고, 여기서 이고, / 가 결정된다.
o N 및 는 WTRU 능력의 일부로 보고된다.
실시형태들에 따르면, WTRU는 AIML 모델이 WTRU에서 마지막으로 사용된 N개의 AIML 모델들 중 하나인 경우 에 대해 제1 값을 적용하고, AIML 모델이 마지막으로 사용된 AIML 모델들 중 하나가 아닌 경우 에 대해 제2 값을 적용할 수 있다. 예를 들어, 제1 값은 제2 값보다 작을 수 있다. 예를 들어, 제2 값은 특정 AIML 모델의 크기에 비례할 수 있으므로, 즉, 큰 AIML 모델의 경우는 값이 크고 작은 AIML 모델의 경우에는 값이 작을 수 있다.
실시형태들에 따르면, WTRU는 CSI 처리를 위해 AIML(단일 모델이 사용 가능한 경우)/비 AIML 또는 레거시/AIML 모델 타입 1/AIML 모델 타입 2가 사용되는지에 따라 CSI 처리를 위한 가변적인 시간을 예약할 수 있다. WTRU는 CSI 처리에 필요한 시간을 기지국(예를 들어, gNB)에 표시할 수 있으며, 이를 통해 WTRU는 이미 처리된 CSI 보고를 전송하기 위해 대기하지 않고 다음 CSI 보고의 처리를 시작할 수 있다.
현재, "CSI 프로세싱 유닛(CPU)"은 WTRU가 지원하는 동시 CSI 계산의 수를 표시하기 위해 NR에 도입되었다. CPU 수(NCPU: Number of CPUs)는 WTRU에서 지원하는 동시 CSI 계산의 수와 같다. 점유된 CPU 수(OCPU: Number of CPUs occupied)는 CSI 처리를 위해 WTRU에 이미 점유된 CPU의 수를 의미한다. CPU의 타이밍은 현재 고정되어 있으며 다음과 같이 결정된다.
비주기적 CSI 보고의 경우, CPU는 PDCCH 트리거링 후 제1 OFDM 심볼부터 CSI 보고를 반송하는 PUSCH의 마지막 OFDM 심볼까지 점유되기 시작할 수 있다.
주기적이고 반영구적인 CSI 보고의 경우, CPU는 하나 이상의 연관된 측정 자원의 제1 OFDM 심볼(CSI 기준 자원 이전이 아님)부터 CSI 보고의 마지막 OFDM 심볼까지 점유되기 시작할 수 있다.
WTRU는 지원되는 동시 CSI 계산의 수 및 보류 중인 동시 CSI 보고 수 RCPU를 표시할 수 있다. WTRU는 를 초과하는 보고 설정을 포함하거나 RCPU를 초과하는 보류 중인 CSI 보고를 갖는 비주기적 트리거 상태로 구성된다고 예상되지 않을 것이다.
주기적 또는 반영구적 CSI 보고(PDCCH가 CSI 보고를 트리거링 후 PUSCH 상 최초의 반영구적 CSI 보고는 제외)는 Zref/Z'ref와, 채널 또는 간섭 측정을 위한 각 CSI-RS/CSI-간섭 측정(IM)/동기 신호 블록(SSB) 자원 중 가장 이른 것의 제1 심볼로부터 - 각자의 최신 CSI-RS/CSI-IM/SSB 기회는 해당 CSI 기준 자원보다 늦지 않음 - 보고를 반송하는 구성된 PUSCH/PUCCH의 마지막 심볼까지의 기간 중 더 작은 값에 해당하는 CPU(들)를 점유할 수 있다.
비주기적 CSI 보고는 AIML 모델, 레거시(비-AI) 방법, 제1 유형의 AIML 모델 또는 제2 유형의 AIML 모델이 사용되는지에 따라, Zref/Z'ref와 PDCCH가 CSI 보고를 트리거링한 후의 제1 심볼로부터 ZrefAI/Z'refAI, ZrefAI1/Z'refAI2/Z'refAI2까지의 기간 중 더 작은 값에 해당하는 CPU(들)를 점유할 수 있다.
PDCCH 트리거링 후 PUSCH 상의 초기 반영구적 CSI 보고는 AIML 모델, 레거시(비-AI) 방법, 제1 유형의 AIML 모델 또는 제2 유형의 AIML 모델이 사용되는지에 따라, Zref/Z'ref와 PDCCH 이후의 제1 심볼로부터 ZrefAI/ Z'refAI, ZrefNAI/ Z'refNAI, ZrefAI1/ Z'refAI1 또는 ZrefAI2/ Z'refAI2까지의 기간 중 더 작은 값에 해당하는 CPU(들)를 점유할 수 있다.
여기서, Zref 및 Z'ref는 AIML(단일 모델이 사용 가능한 경우)/비 AIML 또는 레거시/AIML 모델 유형 1/AIML 모델 유형 2가 CSI 처리에 사용되는지에 따라, 또는 에 해당하며, 여기서, 이다.
예를 들어, 3GPP TS 38.214(UE CSI Computation Time)의 섹션 5.4는 특정 CSI 보고 구성에 따라, Z1/Z'1, Z2/Z'2 또는 Z3/Z'3에 해당하는 WTRU CSI 계산 시간 Zref/Z'ref의 계산을 기술하고 있다.
의 값들은 제1 유형의 AIML 모델, 레거시(비AI) 방법, 제1 유형의 AIML 모델 또는 제2 유형의 AIML 모델이 사용되는지에 기초하여 수정될 수 있으며, 각각 ZkAI/Z'kAI/Z'kAI, ZkAI1/Z'kAI2 또는 Z'kAI2( )로 표현될 수 있다. 이러한 다양한 매개변수는 다음 중 임의의 것으로 정의될 수 있다.
, 여기서 , 레거시 방법(비-AI)가 CSI 처리에 사용되는 경우.
, 여기서 , 제1 타입의 AIML 모델이 CSI 처리를 위해 사용되는 경우, 예를 들어, 제1 유형의 AIML 모델이 저지연 및/또는 낮은 계산 복잡도 CSI 처리를 위해 그리고/또는 제1 범위의 입력 차원 및/또는 출력 차원을 위해 구성될 수 있는 경우.
, 여기서 , 제2 타입의 AIML 모델이 더 높은 압축 및/또는 더 높은 해상도 CSI 처리 및/또는 입력 차원 및/또는 출력 차원의 제2 범위를 위해 구성될 수 있는 경우.
테이블 2는 상기 설명에 해당하는 Z1/Z'1에 대한 상이한 대체 값들을 포함하도록 확장된 문헌[3GPP TS 38.214]에서 테이블 5.4-1에 해당하며, 적용 가능한 컬럼은 현재 요구 사항, 즉 AIML 모델, 레거시(비-AI) 방법, 제1 유형의 AIML 모델 또는 제2 유형의 AIML 모델이 사용되는지 여부에 따라 선택된다. 로 표시된 컬럼들은 문헌[3GPP TS 38.214]의 테이블 5.4-1의 원래 컬럼들과 동일하다. 마찬가지로, CSI 계산 지연 매개변수 Z1/Z'1, Z2/Z'2 및 Z3/Z'3을 포함하는 테이블 5.4-2는 배치된 CSI 압축의 유형에 따라 상응하는 대체 값으로 확장될 수 있다.
[표 2]
5.2.3.
UCI 비트들의 내용(예를 들어, 다른 UCI와의 충돌)에 기초한 AIML 모델의 암시적 결정
WTRU는 레거시 CSI 보고 방법과 AIML 방법 중 하나를 선택하여 CSI 보고를 압축하고, 또한 서로 다른 가용 AIML 모델들 중 하나를 선택하여 CSI 보고를 다양한 정도로 압축하거나 가용 UCI 비트 수에 기초하여 CSI 보고를 완전히 드롭할 수 있다. 가용 UCI 비트의 수는 기지국(예를 들어, gNB) 할당, 기타 공동 스케줄링된 CSI 보고들, 확인 응답(ACK: Acknowledge)/부정 응답(NACK: Negative ACK) 등에 의해 한정될 수 있다.
WTRU는 CSI 보고의 압축을 다른 공동예정(co-scheduled) CSI 보고, ACK/NACK 등을 고려하여 UCI 전송을 위한 가용 자원에 따라 결정할 수 있다.
추가적인 압축 요구 사항을 결정하거나 대신 CSI 보고를 드롭하는 것은 UCI 자원 부족과 CSI 압축에 사용할 수 있는 시간에 기초할 수 있다.
WTRU는 동일한 자원들을 공유하는 CSI 보고들 및 HARQ-ACK들 둘 다를 포함할 수 있는 UCI 전송을 위한 특정 자원들로 구성될 수 있다. 압축된 CSI 보고들은 관련된 최소/필요한 해상도 레벨 및 허용 가능한/낮은 해상도를 가질 수 있다. 또한, WTRU는 가용 UCI 자원들이 구성된 보고 지연 시간 에서 요청된 해상도 레벨로 N개의 요청된 CSI 보고를 모두 전송하기에 충분하지 않다고 판단할 수 있으며, WTRU가 저지연을 위해 구성된 경우(예를 들어, 암시적으로 PUCCH 자원 타이밍에 기초하거나 명시적으로 CSI 구성의 일부로서), WTRU는 가장 낮은 우선순위로 요청된 개의 보고를 업데이트할 필요가 없으며, 여기서 은 이 유지되는 가장 큰 값이다.
WTRU는 동일한 자원들을 공유하는 CSI 보고들 및 HARQ-ACK들 둘 다를 포함할 수 있는 UCI 전송을 위한 특정 자원들로 구성될 수 있다. 압축된 CSI 보고들은 관련된 최소/필요한 해상도 레벨 및 허용 가능한/낮은 해상도를 가질 수 있다. 또한, WTRU는 가용 UCI 자원들이 구성된 보고 지연 시간 에서 요청된 해상도 레벨로 N개의 요청된 CSI 보고를 모두 전송하기에 충분하지 않다고 판단할 수 있으며, WTRU가 고해상도 CSI 피드백을 위해 구성된 경우(예를 들어, 암시적으로 PUCCH 자원 타이밍에 기초하거나 명시적으로 CSI 구성의 일부로서), WTRU는 가장 낮은 우선순위로 요청된 개의 요청된 CSI 보고를 업데이트할 필요가 없으며, 여기서 은 이 유지되는 가장 큰 값이다.
WTRU는 동일한 자원들을 공유하는 CSI 보고들 및 HARQ-ACK들 둘 다를 포함할 수 있는 UCI 전송을 위한 특정 자원들로 구성될 수 있다. 압축된 CSI 보고들은 관련된 최소/필요한 해상도 레벨 및 허용 가능한/낮은 해상도를 가질 수 있다. 또한, WTRU는 가용 UCI 자원들이 구성된 보고 지연 시간 에서 요청된 해상도 레벨로 N개의 요청된 CSI 보고를 모두 전송하기에 충분하지 않다고 판단할 수 있으며, WTRU가 CSI 보고의 수를 최대화하도록 구성된 경우, WTRU는 가장 낮은 우선순위로 요청된 개의 CSI 보고를 업데이트할 필요가 없으며, 여기서 는 이 유지되는 가장 큰 값이다.
WTRU는 동일한 자원들을 공유하는 CSI 보고들 및 HARQ-ACK들 둘 다를 포함할 수 있는 UCI 전송을 위한 특정 자원들로 구성될 수 있다. 압축된 CSI 보고들은 관련된 최소/필요한 해상도 레벨 및 허용 가능한/낮은 해상도를 가질 수 있다. 또한, WTRU는 가용 UCI 자원들이 구성된 보고 지연 시간 에서 요청된 해상도 레벨로 N개의 요청된 CSI 보고를 모두 전송하기에 충분하지 않다고 판단할 수 있으며, WTRU가 CSI 보고의 해상도와 CSI 보고의 수 모두의 조합을 최대화하도록 구성된 경우, WTRU는 요청된 개의 CSI 보고를 업데이트할 필요가 없으며, 여기서 및 다음 조건들은 참이다.
이 참이 되는 가장 큰 값이다.
추가 CPU를 사용할 수 있는 경우, 이는 더 이상의 보고 시간이 남아 있지 않을 때 또는 모든 CSI 처리가 완료될 때 중 더 이른 시점까지 계속된다. 실시형태들에 따르면, WTRU는 우선순위 CSI 보고들에 기초하여 CSI 처리를 위한 AI 모델을 결정하도록 구성될 수 있다. 예를 들어, WTRU는 가장 높은 우선순위의 CSI 보고들에는 AI 모델 X를 그리고 다음 우선순위의 CSI 보고들에는 AI 모델 Y를 결정하고, 계속해서 가장 낮은 우선순위의 CSI 보고들에 모델 Z를 결정하도록 구성될 수 있다.
5.2.4.
PUCCH 자원 구성에 기초한 AIML 모델의 암시적 결정
WTRU는 CSI 보고를 위해 할당된 페이로드 크기에 기초하여 AI 모델들 간에 스위칭할 수 있다. 모델마다 압축 비율이 다르므로 페이로드 크기 이하인 비트 수를 산출하는 압축 비율을 가진 모델이(예를 들어, 모델만이) 고려되어야 한다.
WTRU는 페이로드 크기 제약을 만족하는 AI 모델들 중 하나, 즉, 를 산출하는 를 갖는 임의의 모델을 선택할 수 있다.
WTRU는 B에 가장 가까운 및 를 산출하는 를 갖는 AI 모델을 선택할 수 있다.
다른 옵션으로, WTRU는 페이로드 크기(B)를 맞추기 위해 CSI 보고 코드 레이트와 함께 에 기초하여 AI 모델을 선택할 수 있다.
CSI 보고는 두 부분을 포함할 수 있다. 부분 1은 RI, CRI, CQI 및 선택된 AI 모델 정보를 포함한다. AI 모델 정보는 예를 들어, 모델 ID를 포함할 수 있다. 부분 2는 실제 CSI 보고를 포함할 수 있다.
5.2.5.
물리 다운링크 공유 채널(PDSCH) 성능에 기초한 AIML 모델 선택
WTRU는 다양한 모델이 모델 설계에 따라 다른 성능을 산출하므로 PDSCH 성능에 기초하여 AI 모델을 선택할 수 있다. 예를 들어, 모델마다 압축 능력이 다르기 때문에 평균 BLER(관찰된 기간 동안 수신된 ACK/NACK 수)도 다르게 된다.
WTRU는 지원되는 AI 모델들 간의 매핑, 압축 비율 및 관련 BLER 성능을 사용하여 관찰된 평균 BLER에 기초하여 서로 다른 모델들 간에 스위칭할 수 있다.
WTRU는 WTRU 무선 액세스 능력 매개변수(문헌[TS 38.306 - 4.2.7.10]) 하에서 물리 계층 매개변수들에 새로운 필드를 추가함으로써 모델 선택 기준으로서 PDSCH 성능을 표시할 수 있다. 예를 들어, CSI-Aselect PDSCH = 1(0)은 BLER 성능에 기초한 AI 모델 선택이 활성화됨을 표시할 수 있다.
5.2.6.
선택기 매트릭스에 기초한 AIML 모형 선택
WTRU는 다수의 AI 모델과 이들과 연관된 특징 벡터들로 구성될 수 있다. AI 모델들은 다양한 설정(예를 들어, SNR, 채널 특성들 등)에 따른 훈련으로 인해 서로 다른 특성을 가질 수 있다. 예를 들어, WTRU는 두 개의 AI 모델, 즉 낮은 이동성 시나리오에 대해 훈련되는 하나와 높은 이동성 시나리오에 대해 훈련되는 다른 하나를 사용하도록 구성될 수 있다. 실시형태들에 따르면, WTRU는 두 개의 AI 모델, 즉 높은 SNR 범위에서 훈련되는 하나와 낮은 SNR 범위에서 훈련되는 다른 하나를 사용하도록 구성될 수 있다. 연관된 특징 벡터들은 모델 훈련 중에 사용된 매개변수 세트를 반영한다.
특징 벡터들은 채널 특성, SNR 등을 캡처할 수 있다. 특징 벡터는 = [도플러 , 지연 확산 , SNR , 평균 채널 품질 , ]일 수 있고 여기서 i = 1,…,I이다.
WTRU는 예를 들어, 압축 성능을 최적화하기 위해 온라인 측정 매개변수들과 일치하는 매개변수 세트에 따라 훈련되는 모델을 선택할 수 있다. 예를 들어, 를 서로 다른 AI 모델들의 연관된 특징 벡터들을 갖는 매트릭스라고 하자. 이때, 벡터 f에 수집된 WTRU 측정값들에 기초하여, WTRU는 에 기초하여 모델을 선택할 수 있다.
한 예로서, 는 와 S의 각 특징 벡터 사이의 도트 곱일 수 있으며, WTRU는 모델을 로 선택한다.
5.3.
AIML 모델 표시 방법
5.3.1.
CSI 처리를 위한 AIML 모드(인코더/디코더) 표시 방법
WTRU는 암시적 시그널링, 명시적 시그널링 또는 이 둘의 조합을 사용하여 CSI 처리에 사용할 AIML 모델(인코더/디코더)을 표시할 수 있다. AIML 모델들의 표시는 여기서 예를 들어, 오토인코더 입력/출력 차원들, 구조들 및 매개변수들에 기초하는 전체 또는 일부 사전 정의된 세트들 중에서 하나 또는 여러 인코더/디코더 쌍과 관련된다.
실시형태들에 따르면, 단말기의 암시적 또는 명시적 표시는 AIML 모델들의 전체 또는 일부 사전 정의된 세트들와 관련된 인덱스를 사용하는 것에, 예를 들어, 모델 식별자(ID)들을 사용하는 것에 기초할 수 있다. 단말기의 표시는 인코더 및 디코더 모델 옵션 모두와 관련되거나, 또는 적절한 디코더의 선택이 네트워크에 의해 처리되는 경우에는 인코더 모델에(예를 들어, 인코더 모델에만) 관련될 수 있다.
실시형태들에 따르면, 단말기는 먼저 하나 또는 여러 개의 "앵커" AIML 모델 세트들로 구성될 수 있다. 단말기는 암시적 또는 명시적 표시를 활용하여 "앵커" 구성에 기초하여 하나 또는 여러 "선호" 인코더/디코더 세트를 시그널링할 수 있다. 이러한 예시적인 실시형태는 인코더 및 디코더 모델의 암시적 또는 명시적 표시를 위한 것일 수 있고 또는 적절한 디코더의 선택이 네트워크에 의해 처리되는 경우는 인코더 모델의 암시적 또는 명시적 표시를 위한 것일 수 있다.
실시형태들에 따르면, 단말기는 AIML CSI 처리 모델 표시를 위해 간단한 암시적 또는 명시적 업/다운 표시자를 사용할 수 있다 - 예를 들어, 단말기는 특정 UL 자원 비트 필드에서 "1" 또는 "0"을 사용하여 암시적으로 표시하거나 전용 시그널링(UCI)으로 "앵커"에서 "증가" 또는 "감소" 능력(예를 들어, 압축 비율)으로 업데이트된 AIML 모델(인코더)을 표시할 수 있다. 이 예시적인 실시형태는 또한 인코더 및 디코더 모델 둘 모두의 표시를 위해 유지될 수 있다.
실시형태들에 따르면, 단말기는 예를 들어, 제1 단계에서 종래의 방식(예를 들어, 타입 I)으로 프리코딩되지 않은 CSI-RS에 대한 CSI 처리를 사용한 다음, AI 방식으로 프리코딩된 CSI-RS에 대한 CSI 처리/보고를 사용하여 다중 스텝/하이브리드 CSI 처리 접근법을 암시적으로 또는 명시적으로 표시할 수 있다.
5.3.2.
CSI 처리를 위한 AIML 모델들(인코더/디코더)의 단말기 암시적 표시
WTRU는 설명 섹션 5.3의 실시형태들에 기초하여, 암시적 시그널링을 사용하여 CSI 처리에 사용될 AIML 모델들(인코더/디코더)을 표시할 수 있다. AIML 모델들의 표시는 여기서 예를 들어, 오토인코더 입력/출력 차원들, 구조들 및 매개변수들에 기초하는 전체 또는 일부 사전 정의된 세트들 중에서 하나 또는 여러 인코더/디코더 쌍과 관련된다. UL 자원 선택은 RACH, PUCCH, 사운딩 기준 신호(SRS: Sounding Reference Signal) 또는 이들의 조합에 기초할 수 있다.
실시형태들에 따르면, 단말기는 업링크 자원 그리드(대역폭 부분) 내에서 시간 및 주파수로 예약된 부분(이하, 물리 랜덤 액세스 채널(PRACH: Physical Random-Access Channel) 기회라고 함)들을 가질 수 있으며, 이는 AIML 모델의 암시적 표시를 위해 사용될 수 있다. 예를 들어, 매개변수 "PRACH configuration index"를 갖는 PRACH 시간 기회들은 이 목적을 위해 사용될 수 있지만, PRACH 주파수 기회들(예를 들어, 1-8), PRACH 슬롯들 또는 이들의 조합도 암시적 시그널링에 활용될 수 있다. 또한, RACH의 부분으로 CSI 처리 능력을 SSB 인덱스와 통합하는 것이 가능할 수 있다.
실시형태들에 따르면, 단말기는 PUCCH 자원 세트들로 구성될 수 있고, 여기서 각각의 자원 세트는 포맷 및 시간/주파수 위치를 포함하는 여러 PUCCH 자원 구성을 포함한다. 단말기는 PUCCH 전송(예를 들어, 비주기적 CSI 보고)을 트리거링하는 PDCCH/DCI를 수신하면, 단말기는 AIML(인코더, 또는 인코더/디코더 둘 다) 모델의 선택을 암시적으로 표시하기 위해 특정 포맷 또는/및 시간-주파수 위치를 선택할 수 있다. 이 예시적인 실시형태의 변형은 단말기가 공간 관계를 활용하여 AIML 모델의 선택을 암시적으로 표시하는 경우일 수 있다.
실시형태들에 따르면, 단말기는 다수의 SRS 자원으로 구성될 수 있고, SRS 자원을 구성하기 위한 매개변수 구조는 암시적으로 AIML(인코더/디코더) 모델들을 표시하기 위해 사용될 수 있는 필드들, 예를 들어, SpatialRelationInfo를 포함한다.
5.3.3.
CSI 처리를 위한 AIML 모델들(인코더/디코더)의 단말기 명시적 표시
설명의 섹션 5.3의 실시형태들에 기초하여, WTRU는 수정된 UL 시그널링을 통해 CSI 처리를 위해 사용될 AIML 모델들(인코더/디코더)을 명시적으로 표시할 수 있다. AIML 모델들의 표시는 여기서 예를 들어, 오토인코더 입력/출력 차원들, 구조들 및 매개변수들에 기초하는 전체 또는 일부 사전 정의된 세트들 중에서 하나 또는 여러 인코더/디코더 쌍과 관련된다. 명시적 시그널링은 수정된 UCI(PUCCH, PUSCH, 또는 둘 다 사용)에 기초할 수 있다.
실시형태들에 따르면, WTRU는, 트리거 페이로드가 CSI 처리를 위한 전체 또는 일부 AIML 모델(인코더/디코더)의 명시적 시그널링을 포함하는 경우와 같이, CSI를 전송하기 위해 UCI 자원들(예를 들어, 비트 수, 기호 수, 자원 블록 수에서 다른 특정 포맷을 갖는 능력이 서로 다른 PUCCH resources)로 구성될 수 있다. 이 예시적인 실시형태는 또한 네트워크에 의해 처리되는 적절한 디코더의 선택과 함께 인코더 모델의(예를 들어, 모델만의) 명시적인 표시를 보유할 수 있다.
실시형태들에 따르면, WTRU는 CSI 처리를 위한 AIML 모델의 시그널링과 CSI의 실제 보고를 분리하기 위해 서로 다른 능력을 가진 전용 PUCCH 구성 자원 세트들을 활용할 수 있고, 예를 들어, 단말기는 CSI를 전송하기 위해 CSI 처리 표시(포맷 0, 1을 사용하는, 1 비트 내지 2 비트)를 위한 AIML 모델과 하나 또는 여러 PUCCH 자원 세트들을 처리할 수 있는 PUCCH 자원 세트들로 구성될 수 있다.
6.
예시적인 실시형태들
예시적인 실시형태들에 따르면, 다음 양태들이 다루어질 수 있다.
CSI 처리와 관련하여 WTRU AIML 능력과 AIML을 사용하는 CSI 처리와 관련된 구성 양태들을 결정하는 방법들.
CSI 처리에 적용되는 AIML 유형(있는 경우)과, 있다면, 레거시 CSI 처리와의 공존을 결정하는 방법들.
CSI 성능(예를 들어, 지연 시간, 오버헤드 및 정확도)의 균형을 맞추기 위해 AIML 처리의 유연성을 활용하고 그리고/또는 (동적으로 또는 재구성으로) 조정하는 방법들.
WTRU 및 기지국(예를 들어, gNB)에서의 AIML 모델들 및 운영이 서로 일관되게 유지하게 하는 방법들.
실시형태들에 따르면, UE는 CSI 처리와 관련하여 자신의 AIML 능력을 결정할 수 있다.
a. WTRU는 CSI 처리와 관련된 하나 이상의 매개변수를 통해 자신의 AIML 능력을 결정하도록 구성될 수 있다.
i. 예를 들어, NCPU, OCPU, Zref, Z'ref, Zk, Z'k, 등.
ii. 기준선과 달리, NCPU, OCPU, Zref, Z'ref, Zk, Z'k 의 값은 다음의 함수에 따라 달라질 수 있다.
1. AIML 모델들이 CSI 처리에 사용되는지 여부
2. CSI 처리에 사용되는 AIML 모델 수
3. CSI 처리에 사용되는 AIML 모델의 종류
b. WTRU는 AIML 모델 페어링과 관련된 정보, 예를 들어, 인코더 AIML 모델 세트와 관련된 논리적 아이덴티티로 구성될 수 있다. 인코더 모델 서브세트는, 예를 들어, 기지국(예를 들어, gNB) 표시(예를 들어, 브로드캐스트)에 기초할 수 있다.
UE 능력 기반 구성
실시형태들에 따르면, WTRU는 예를 들어, WTRU 능력 정보 교환의 부분으로 및/또는 RRC 접속 확립 절차 또는 재개 절차의 부분으로, 예를 들어, 다음을 포함하는 하나 이상의 AIML 능력 매개변수와 관련된 정보를 전송할 수 있다.
a. AI/ML에 대해 결정된 WTRU 능력들.
i. 예를 들어, 하드웨어 능력들 - CSI 계산에 사용 가능한 총 처리 또는 CSI 프로세스마다 개별적인 - 과 관련된 양태
ii. 예를 들어, 모델 적응과 관련된 양태들:
1. 모델 적응을 위한 최소 시간, 예를 들어, 추론 중단 시간
2. 소정의 기간(예를 들어, 시간 창) 동안 모델 적응 및/또는 변경의 최대 수
iii. 예를 들어, 모델 아키텍처와 관련된 양태들
1. 예를 들어, CSI 처리를 위한 활성 모델의 최대 크기, 계층, 입력/출력 차원
2. 예를 들어, CSI 처리를 위한 최대 모델 수
iv. 예를 들어, 추론과 관련된 양태들
1. 최대 추론 속도
2. 두 개의 연속 추론 간의 최소 시간
v. 예를 들어, WTRU의 AIML 실행 환경과 관련된 양태들
b. AIML 모델 페어링에 대한 표시.
c. WTRU는 예를 들어, RRC 접속 상태일 때, 자신의 AIML 능력 및/또는 그 변경을 동적으로 표시하기 위해 MAC CE 시그널링을 지원할 수 있다.
실시형태들에 따르면, WTRU는 다음 중 적어도 하나를 포함하는 CSI 구성을 수신할 수 있다.
a. 적용 가능한 AIML 모델들/매개변수화 등에 대한 암시적/명시적 구성.
b. AIML 모델 페어링 확인 - 디코더 AIML 모델 세트의 암시적 표시. 예를 들어, WTRU는 CSI 처리를 위한 인코더 모델 서브세트의 MAC CE 활성화/비활성화를 통해 수신할 수 있다.
WTRU 능력 기반 구성 OR RRC 재구성 + 재구성 실패(정적 능력)
실시형태들에 따르면, WTRU는 수신된 구성 정보를 이용하여 자신의 AIML 처리를 처리, 검증 및/또는 재구성할 수 있다.
a. WTRU는 재구성을 준수할 수 없다고 결정할 수 있다.
b. WTRU는 재구성 실패의 원인 및/또는 컴포넌트, 예를 들어, "AIML", "매개변수 X에 대한 능력 초과" 등을 잠재적으로 포함하는 재구성 실패 표시의 전송을 시작할 수 있다.
c. WTRU가 이전 구성으로 되돌아갈 수 있다.
i. 예를 들어, AIML 처리는 재구성 시그널링의 영향을 받을 수 있다.
ii. 예를 들어, 재구성 시그널링의 적용을 받고, 그에 의해 수정되는 매개변수의 경우.
실시형태들에 따르면, WTRU는 다음을 결정할 수 있다.
a. 다음 중 임의의 것:
i. 있다면, CSI 처리를 위해 적용할 AIML 처리 유형(예를 들어, AIML 없음 및/또는 레거시 처리만, 하이브리드 레거시 + AIML 처리, AIML 처리만).
ii. CSI 보고 생성에 사용할 AIML 모델(들).
iii. 전송할 CSI 보고들.
iv. 전송할 CSI 보고들의 수.
b. 사전 구성된 하나 이상의 규칙에 기초하여, 예를 들어,
i. 소정의 시간에 적용 가능한 최대 동시 CSI 처리 수에 따라 주어지는 적용 가능한 AIML 모델(들)을 결정하고, WTRU는 다음 중 하나 이상을 충족하도록 구성됨.
1. CSI 보고 수를 최대화하기 위한 기준.
2. 모든 CSI 보고의 해상도를 최대화하는 기준.
3. 우선순위가 높은 CSI 보고들의 해상도 및/또는 정확도를 먼저 최대화한 다음 비트/처리 능력이 남는 경우 우선순위가 낮은 CSI 보고의 수를 최대화하는 기준.
ii. CSI 보고 타이밍(예를 들어 지연 시간) 및 UL 자원 가용성(예를 들어, 페이로드 크기)에 기초하여 적용 가능한 AIML 모델을 결정한다.
iii. AIML 모델 성능에 기초하여 적용 가능한 AIML 모델(들)을 결정한다(예를 들어, CSI 보고 정확도에 해당할 수 있고 => 이후 PDSCH 성능에 영향을 미칠 수 있음).
실시형태들에 따르면, WTRU는 결정된 AIML 모델(들)에 기초하여 하나 이상의 CSI 또는 그의 부분들을 생성할 수 있고, PUCCH, PUSCH 등의 전송 자원을 사용하여 CSI 보고를 전송할 수 있다.
실시형태들에 따르면, WTRU는 CSI 보고를 생성하는 데 사용되는 AIML 모델의 표시를 NW로 (암시적으로 또는 명시적으로) 전송할 수 있다. 이는 적어도 모델 선택 규칙이 WTRU에서 제공되는 정보에 기초하는 경우에 적용될 수 있다.
a. 예를 들어, 업링크 PUCCH 자원 선택(시간/주파수), 복조 기준 신호(DMRS: Demodulation Reference Signal) 스크램블링, DMRS 포트, PUCCH 형식, PUCCH 형식에 선택되고/되거나 적용되는 순환 중복 검사(CRC: Cyclic Redundancy Check) 등을 암시적으로 사용하는 경우.
b. 예를 들어, UCI에 비트를 명시적으로 사용하는 경우(예를 들어, 부분 1: CSI는 인코딩에 사용된 AIML 모델 표시를 반송, 부분 2: CSI는 페이로드를 반송).
인에이블러로서의 NW 방법
실시형태들에 따르면, 기지국(예를 들어, gNB)은 하나 또는 복수의 구성된 PUCCH 자원 상의 전송을 감지할 수 있다; 일 방법에서, 기지국(예를 들어, gNB)은 자원의 아이덴티티의 함수로서 PUCCH 전송 내에서 CSI 정보를 생성하는 데 어떤 AIML 모델이 사용되었는지(또는 수신된 정보를 디코딩하는 데 어떤 모델을 사용해야 할지)를 더 결정할 수 있다. 일 방법에서, 기지국(예를 들어, gNB)은 PUCCH 전송에 대해 블라인드 디코딩을 수행하고, 수신된 정보를 성공적으로 디코딩하는 데 사용된 CRC의 함수로서 PUCCH 전송 내에서 CSI 정보를 생성하는 데 사용된 AIML 모델(또는 수신된 정보를 디코딩하는 데 사용할 모델)을 더 결정할 수 있다.
사전 구성된 규칙의 세부 사항
실시형태들에 따르면, CSI 보고 수를 최대화하는 규칙은, 예를 들어, 다음을 포함할 수 있다.
a. WTRU는 점유되지 않은 개의 CPU 수가 주어졌을 때 CSI 보고 수를 최대화하기 위해 CSI 처리를 위한 AIML 모델을 결정한다.
b. L개의 CPU가 소정의 OFDM 심볼에서 CSI 보고 계산을 위해 점유되는 경우, WTRU는 개의 비점유 CPU를 보유한다. N개의 CSI 보고들이 개의 CPU가 점유되지 않은 동일한 OFDM 심볼에서 그들 각각의 CPU를 점유하기 시작하는 경우, 그리고 WTRU가 CSI 보고의 수를 최대화하도록 구성되는 경우 WTRU는 개의 요청된 CSI 보고를 업데이트할 필요가 없고, 여기서 는 이 유지되는 가장 큰 값이다.
실시형태들에 따르면, CSI 보고들의 해상도를 최대화하는 규칙은, 예를 들어, L의 CPU가 소정의 OFDM 심볼에서 CSI 보고 계산을 위해 점유되는 경우, WTRU가 개의 비점유 CPU를 보유한다는 것을 포함할 수 있다. N개의 CSI 보고가 개의 CPU가 점유되지 않은 동일한 OFDM 심볼에서 그들 각각의 CPU를 점유하기 시작하는 경우, 그리고 WTRU가 CSI 보고의 해상도와 CSI 보고 수의 조합을 최대화하도록 구성되는 경우, WTRU는 개의 요청된 CSI 보고를 업데이트할 필요가 없으며, 여기서 와 다음 조건들은 참이다. 이 참이 되는 가장 큰 값이다. 추가 CPU가 남아 있다면, , 이는 CPU가 남아 있지 않을 때 또는 모든 CSI 처리가 완료될 때 중 더 이른 시점까지 계속된다.
실시형태들에 따르면, CSI 보고들의 상대적 우선순위에 기초한 규칙은, 예를 들어, 다음을 포함할 수 있다.
a. 서로 다른 AIML 모델들은 서로 다른 CSI 보고 우선순위와 연관될 수 있다.
b. 우선 순위가 높은 CSI 보고들에 대해 고해상도 CSI 우선 순위 지정.
c. 둘 이상의 CSI 보고 간의 충돌:
i. AIML 모델은 드롭할 CSI 보고를 결정하고; 그리고/또는
ii. WTRU는 복수의 CSI 보고를 수용하기 위해 AIML 모델을 선택하여 해상도를 조정한다.
실시형태들에 따르면, AIML 모델 성능에 기초한 규칙은, 예를 들어, 다음을 포함할 수 있다.
a. 복수의 AI 모델 및 관련 선택기 매트릭스 S로 구성된 WTRU, 여기서 S는 차원 Nf x Nm, Nf = 이고, Nf = 특징 차원(예를 들어, 모델 성능(예를 들어, 정규화된 평균 제곱 오차(NMSE: Normalized Mean Square Error), 코사인 유사성 등), 채널 특성(예를 들어, SNR 범위, 도플러 범위 등), PDSCH 성능(BLER, ACK/NACK 등)을 특성화하는 것), Nm = 구성된/활성화된 AIML 모델 수.
b. 다음 기준에 기초해서 CSI 처리를 위한 AIML 모델 를 결정하는 WTRU:
i. .
ii. 여기서 는 예상 특징 벡터이다.
도 5는 WTRU(102)에 의해 구현되는 대표 방법을 예시하는 흐름도이다.
도 5를 참조하면, 대표 방법(500)은, 블록 510에서, 적어도 하나의 기준 신호에 기반한 CSI 측정을 포함하는 CSI 보고를 생성하기 위해 WTRU의 CSI 처리 유닛 자원들을 표시하는 제1 정보를 네트워크 노드로 전송하는 것을 포함할 수 있다. 블록 520에서, WTRU는 네트워크 노드로부터, WTRU의 CSI 처리 유닛 자원들을 사용하여 CSI 보고를 생성하는 데 적용 가능한 인공 지능(AI) 모델 세트를 표시하는 제2 정보를 수신할 수 있다. 블록 530에서, WTRU는 AI 모델 세트에서 적어도 하나의 AI 모델을 선택할 수 있다. 블록 540에서, WTRU는 적어도 하나의 기준 신호에 기초한 CSI 측정을 포함하는 CSI 보고를 생성할 수 있으며, 여기서 CSI 보고의 적어도 하나의 부분은 AI 모델 세트의 선택된 적어도 하나의 AI 모델을 사용하여 생성된다. 블록 550에서, WTRU는 네트워크 노드에, 생성된 CSI 보고를 포함하는 메시지를 전송할 수 있다.
특정 대표 실시형태들에서, 방법(500)은 코드북 기반 프리코딩 및 적어도 하나의 기준 신호에 기초한 CSI 측정을 사용하여, CSI 보고의 적어도 하나의 추가 부분을 생성하는 것을 더 포함할 수 있다.
특정 대표 실시형태들에서, 방법(500)은 적어도 하나의 선택된 AI 모델을 표시하는 제3 정보를 전송하는 것을 더 포함할 수 있다.
특정 대표 실시형태들에서, 제1 정보는 (1) CSI를 처리하기 위해 WTRU에서 이용 가능한 최대 CSI 처리 유닛의 수, (2) CSI를 처리하기 위한 최대 AI 모델의 수, 및 (3) CSI 계산 시간 중 임의의 것을 표시할 수 있다.
특정 대표 실시형태들에서, AI 모델 세트의 각 AI 모델은 CSI를 처리하는 데 사용되는 CSI 처리 유닛의 수와 연관된다.
특정 대표 실시형태들에서, 방법(500)은 네트워크 노드로부터, CSI 보고 구성을 수신하는 것을 더 포함할 수 있고, 그리고/또는 CSI 보고 구성은 예를 들어, AI 모델 세트의 적어도 하나의 AI 모델을 사용하여, CSI 보고의 적어도 하나의 부분을 생성하도록 표시할 수 있다.
특정 대표 실시형태들에서, CSI 보고의 적어도 하나의 부분은 (1) AI 모델 구성, (2) 코드북 구성, (3) CSI 자원 구성, (4) CSI 기준 신호 자원 구성 및 (5) CSI를 처리하기 위해 WTRU에서 이용 가능한 최대 CSI 처리 유닛의 수 중 임의의 것에 기초하여 결정된다.
특정 대표 실시형태에서, 적어도 하나의 인공 지능 모델은 하나의 인공 지능 모델이고, 하나의 인공 지능 모델은 인코더 기능을 포함하는 인코더 인공 지능 모델에 상응할 수 있고, 여기서 하나의 인공 지능 모델은 디코더 기능을 포함하는 상응하는 디코더 인공 지능 모델과 연관될 수 있다.
특정 대표 실시형태들에서, CSI 보고의 적어도 하나의 부분을 생성하는 것은 인코더 AI 모델의 인코더 기능을 사용하여 CSI 보고의 적어도 하나의 부분을 인코딩하는 것을 포함할 수 있다.
특정 대표 실시형태들에서, 적어도 하나의 AI 모델은 WTRU에 의해, 구성된 AI 모델 세트에서 선택될 수 있다.
특정 대표 실시형태들에서, 적어도 하나의 AI 모델은 AI 모델 세트에서 (1) AI 처리 유형의 표시, (2) 전송할 CSI 보고 유형의 표시, (3) AI 모델의 표시, (4) 전송할 CSI 보고 수의 표시, (5) CSI 보고 타이밍의 표시, (6) 업링크 자원의 이용 가능성의 표시 및/또는 (7) AI 모델의 성능의 표시 중 임의의 것에 기초하여 선택될 수 있다.
특정 대표 실시형태들에서, 방법(500)은 CSI 처리 유닛 자원들을 사용하여 CSI 보고를 생성하는 것을 더 포함할 수 있다.
특정 대표 실시형태들에서, WTRU는 복수의 AIML 모델들로 구성될 수 있으며, 각 AIML 모델은 상이한 추론 지연 시간과 연관될 수 있다. 비주기적 CSI 요청을 수신하면, WTRU는 추론 지연 시간이 시간 도메인 자원 할당 기한을 충족하는 서브셋 AIML 모델을 식별하고 (디폴트로) 최대 CSI 해상도 또는 (비주기적 요청으로 표시된 경우) 최대 CSI 보고 수를 생성하는 AIML 모델을 선택할 수 있다.
특정 대표 실시형태들에서, WTRU는 복수의 AIML 모델로 구성될 수 있으며, 각 AIML 모델은 특징 벡터와 연관될 수 있으며, 특징 벡터는 모델 훈련에 사용되는 데이터 세트의 특성, 모델의 성능 메트릭 등을 포함할 수 있다. WTRU는 측정 벡터와 특징 벡터 사이의 도트 곱을 최대화하는 특징 벡터와 연관된 AIML 모델을 선택할 수 있다.
특정 대표 실시형태들에서, WTRU는 복수의 AIML 모델로 구성될 수 있으며, 각 AIML 모델은 상이한 압축 비율과 연관될 수 있다. 예를 들어, 비주기적 CSI 요청을 수신하면, WTRU는 할당된 UCI 페이로드 비트 수 및 트리거링된 CSI 보고 수에 기초하여 서브세트 AIML 모델(들)을 식별할 수 있다.
특정 대표 실시형태들에서, 방법(500)은 디코더 기반 다운 선택(가용 디코더 모델들의 gNB 표시에 기반한 인코더 모델 세트) 및 인코더 기반 페어링(사전 구성된 규칙들 및 WTRU 능력에 기반한 WTRU의 인코더(들) 선택)의 조합에 기초하여 페어링하는 것 및/또는, 예를 들어, 초기 액세스 절차(RA 자원 선택 등) 동안 AIML 모델 페어링을 표시하는 것을 더 포함할 수 있으며, 여기서 페어링의 유효성은 UE 특정 또는 셀 특정일 수 있다.
도 6은 WTRU(102)에 의해 구현되는 대표 방법을 예시하는 흐름도이다.
도 6을 참조하면, 대표 방법(600)은, 블록 610에서, 적어도 하나의 기준 신호와 연관된 채널 상태 정보(CSI)를 측정하는 것을 포함할 수 있다. 블록 620에서, WTRU는 적어도 하나의 기준 신호와 연관된 CSI를 포함하는 보고의 적어도 일부를 생성하도록 훈련된 인공 지능(AI) 모델을 결정할 수 있다. 블록 630에서, WTRU는 적어도 하나의 기준 신호와 연관된 CSI를 포함하는 보고를 전송할 수 있다.
특정 대표 실시형태들에서, AI 모델은 인코더 기능을 포함하는 인코더 AI 모델에 상응할 수 있고 및/또는 AI 모델은 디코더 기능을 포함하는 상응하는 디코더 AIML 모델에 연관된다.
특정 대표 실시형태들에서, 보고의 적어도 일부를 생성하는 것은 인코더 AI 모델의 인코더 함수에 의해 적어도 일부를 인코딩하는 것을 포함할 수 있다.
특정 대표 실시형태들에서, 방법(600)은 결정된 훈련된 AI 모델을 표시하는 정보를 네트워크 노드로 전송하는 것을 더 포함할 수 있다.
특정 대표 실시형태들에서, 네트워크 노드는 기지국이다.
특정 대표 실시형태들에서, 방법(600)은 프리코딩 매트릭스를 사용하여, CSI를 포함하는 보고의 추가 부분을 생성하는 것을 더 포함할 수 있다.
특정 대표 실시형태들에서, AI 모델은 훈련된 AI 모델 세트에서 선택된다.
특정 대표 실시형태들에서, AI 모델은 훈련된 AI 모델 세트에서 (1) AI 처리 유형의 표시, (2) 전송할 CSI 보고의 표시, (3) AI 모델의 표시 및/또는 (4) 전송할 CSI 보고의 수의 표시 중 임의의 것에 기초하여 선택된다.
특정 대표 실시형태들에서, 인공 지능 모델은 적어도 사전 구성된 규칙에 기초하여 훈련된 인공 지능 모델 세트에서 (1) CSI 보고의 수의 표시, (2) CSI 보고의 해결의 표시, (3) CSI 보고의 타이밍의 표시, (4) 업링크 자원의 가용성의 표시 및/또는 (5) 인공 지능 모델 성능의 표시 중 임의의 것에 기초하여 선택된다.
도 7은 WTRU(102)에 의해 구현되는 대표 페어링 방법을 예시하는 흐름도이다.
도 7을 참조하면, 대표 방법(700)은, 블록 710에서, AI 모델을 선택하는 것을 포함할 수 있다. 블록 720 내지 블록 730에서, WTRU는 디코더 기반 다운 선택(가용 디코더 모델들의 gNB 표시에 기반한 인코더 모델 세트) 및 인코더 기반 페어링(사전 구성된 규칙 및 WTRU 능력에 기초한 WTRU의 인코더(들) 선택)의 조합에 기초하여 페어링하는 것 및/또는, 예를 들어, 초기 액세스 절차(RA 자원 선택 등) 동안 AIML 모델 페어링을 표시하는 것을 더 포함하여, 여기서 페어링의 유효성은 UE 특정 또는 셀 특정일 수 있다.
결론
특징부들 및 요소들이 특정 조합들로 위에서 제공되어 있지만, 당업자는 각각의 특징부 또는 요소가 단독으로 또는 다른 특징부들 및 요소들과의 임의의 조합으로 사용될 수 있다는 것을 이해할 것이다. 본 개시내용은, 다양한 양태들의 예시들로서 의도되는, 본 출원에 설명된 특정 실시형태들의 관점으로 제한되지 않는다. 당업자에게 명백할 바로서, 본 개시내용의 사상 및 범위를 벗어나지 않으면서 많은 수정들 및 변형들이 이루어질 수 있다. 본 출원의 설명에서 사용되는 어떠한 요소, 행위, 또는 명령어도, 명시적으로 이와 같이 제공되지 않는 한, 본 발명에 중요하거나 필수적인 것으로 해석되지 않아야 한다. 본원에서 열거된 것들 외에, 본 개시내용의 범위 내의 기능적으로 동등한 방법들 및 장치들이 전술한 설명으로부터 당업자에게 명백할 것이다. 이와 같은 수정들 및 변형들은 첨부된 청구범위의 범위 내에 속하는 것으로 의도된다. 본 개시내용은, 이와 같은 청구범위의 자격을 갖는 균등물들의 전체 범위와 함께, 첨부된 청구범위의 조건에 의해서만 제한되어야 한다. 본 개시내용은 특정 방법들 또는 시스템들로 제한되지 않는다는 것으로 이해되어야 한다.
전술한 실시형태들은 단순화를 위해, 적외선 가능 디바이스들, 즉 적외선 방출기들 및 수신기들의 전문용어 및 구조와 관련하여 논의된다. 그러나, 논의된 실시형태들은 이러한 시스템들에 제한되지 않고, 다른 형태들의 전자기파들 또는 음향파들과 같은 비-전자기파들을 사용하는 다른 시스템들에 적용될 수 있다.
또한, 본원에 사용된 전문용어가 특정 실시형태들만을 기술하기 위한 것이고, 제한하는 것으로 의도되지 않는다는 것이 이해되어야 한다. 본원에 사용된 바와 같이, "비디오"라는 용어 또는 "영상(imagery)"이라는 용어는 시간 기준을 통해 표시되는 스냅샷, 단일 이미지 및/또는 다수의 이미지들 중 임의의 것을 의미할 수 있다. 다른 예로서, 본원에서 언급될 때, 용어들 "사용자 장비" 및 이의 약어 "UE", 용어 "원격" 및/또는 용어 "머리 착용 디스플레이" 또는 이의 약어 "HMD"는, (i) 무선 송수신 유닛(WTRU); (ii) WTRU의 다수의 실시형태 중 임의의 것; (iii) 그 중에서도, WTRU의 일부 또는 모든 구조들 및 기능으로 구성된 무선 가능(wireless-capable) 및/또는 유선 가능(wired-capable)(예를 들어, 테더링 가능(tetherable)) 디바이스; (iii) WTRU의 모든 구조들 및 기능보다 적은 기능으로 구성된 무선 가능 및/또는 유선 가능 디바이스; 또는 (iv) 그 밖의 것을 의미할 수 있다. 본원에 열거된 임의의 WTRU를 대표할 수 있는 예시적인 WTRU의 세부사항들은 도 1a 내지 도 1d에 대하여 본원에 제공된다. 다른 예로서, 본원의 다양한 개시된 실시형태들은 머리 착용 디스플레이를 이용하는 것으로 앞에서 그리고 아래에서 설명된다. 당업자는 머리 착용 디스플레이 이외의 디바이스가 이용될 수 있고, 본 개시내용의 일부 또는 전부 및 다양한 개시된 실시형태들이 지나친 실험 없이 그에 따라 수정될 수 있다는 것을 인식할 것이다. 이러한 다른 디바이스의 예들은 적응된 현실 경험을 제공하기 위한 정보를 스트리밍하도록 구성된 드론 또는 다른 디바이스를 포함할 수 있다.
또한, 본원에 제공된 방법들은 컴퓨터 또는 프로세서에 의한 실행을 위해 컴퓨터 판독 가능 매체들에 통합된 컴퓨터 프로그램, 소프트웨어, 또는 펌웨어에서 구현될 수 있다. 컴퓨터 판독 가능 매체들의 예에는 (유선 또는 무선 접속을 통해 전송되는) 전자 신호들 및 컴퓨터 판독 가능 저장 매체들이 포함된다. 컴퓨터 판독 가능 저장 매체들의 예는 판독 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 레지스터, 캐시 메모리, 반도체 메모리 디바이스, 내부 하드 디스크 및 탈착식 디스크와 같은 자기 매체, 광자기 매체, 및 CD-ROM 디스크 및 디지털 다기능 디스크(DVD)와 같은 광학 매체들을 포함하지만, 이것으로 제한되지 않는다. 소프트웨어와 연관된 프로세서는 WTRU, UE, 단말, 기지국, RNC 또는 임의의 호스트 컴퓨터에서 사용하기 위한 무선 주파수 송수신기를 구현하는 데 사용될 수 있다.
제공된 방법, 장치 및 시스템의 변형들은 본 발명의 범위로부터 벗어나지 않으면서 가능하다. 적용될 수 있는 광범위한 실시형태들을 고려하여, 예시된 실시형태들은 단지 예인 것으로 이해되어야 하고, 다음의 청구범위의 범위를 제한하는 것으로 간주되어서는 안 된다. 예를 들어, 본원에 제공된 실시형태들은 핸드헬드 디바이스들을 포함하며, 이들은 임의의 적절한 전압을 제공하는, 배터리 등과 같은 임의의 적절한 전압원을 포함하거나 이를 사용하여 활용될 수 있다.
또한, 상기 제공된 실시형태들에서, 처리 플랫폼들, 컴퓨팅 시스템들, 제어기들, 및 프로세서들을 포함하는 다른 디바이스들이 주지된다. 이러한 디바이스들은 적어도 하나의 중앙 처리 유닛("CPU") 및 메모리를 포함할 수 있다. 컴퓨터 프로그래밍의 당업자의 실시에 따르면, 동작들 또는 명령어들의 부호 표현들 및 행위들에 대한 참조는 다양한 CPU들 및 메모리들에 의해 수행될 수 있다. 이러한 행위들 및 동작들 또는 명령어들은 "실행되는", "컴퓨터 실행되는" 또는 "CPU 실행되는"으로 지칭될 수 있다.
당업자는, 행위들 및 부호로 표현된 동작들 또는 명령어들이 CPU에 의한 전기 신호들의 조작을 포함한다는 것을 이해할 것이다. 전기 시스템은, 전기 신호들의 결과적인 변환 또는 감소 및 메모리 시스템 내의 메모리 위치들에서의 데이터 비트들의 유지를 야기하여, 그에 의해 CPU의 동작뿐만 아니라 신호들의 다른 처리를 재구성하거나 달리 변경할 수 있는 데이터 비트들을 나타낸다. 데이터 비트들이 유지되는 메모리 위치들은 데이터 비트들에 상응하거나 이들을 나타내는 특정의 전기적, 자기적, 광학적 또는 유기적 특성들을 갖는 물리적 위치들이다. 실시형태들은 위에서 언급된 플랫폼들 또는 CPU들로 한정되지 않으며, 다른 플랫폼들 및 CPU가 제공된 방법들을 지원할 수 있다는 것이 이해되어야 한다.
데이터 비트들은 또한 CPU에 의해 판독 가능한 자기 디스크들, 광학 디스크(optical disk)들, 및 임의의 다른 휘발성(예를 들어, 랜덤 액세스 메모리(RAM)) 또는 비휘발성(예를 들어, 판독 전용 메모리(ROM)) 대용량 저장 시스템을 포함하는 컴퓨터 판독 가능 매체들 상에 유지될 수 있다. 컴퓨터 판독 가능 매체들은 처리 시스템 상에 배타적으로 존재하거나 처리 시스템에 대해 국부적이거나 원격일 수 있는 다수의 상호접속된 처리 시스템 중에 분산되는, 협력하거나 상호접속된 컴퓨터 판독 가능 매체들을 포함할 수 있다. 실시형태들은 위에서 언급된 메모리들로 한정되지 않으며, 다른 플랫폼들 및 메모리들이 제공된 방법들을 지원할 수 있다는 것이 이해되어야 한다.
예시적인 실시형태에서, 본원에서 설명된 동작들, 프로세스들 등 중 임의의 것은 컴퓨터 판독 가능 매체들 상에 저장된 컴퓨터 판독 가능 명령어들로서 구현될 수 있다. 컴퓨터 판독 가능 명령어들은 모바일 유닛, 네트워크 요소, 및/또는 임의의 다른 컴퓨팅 디바이스의 프로세서에 의해 실행될 수 있다.
시스템들의 양태들의 하드웨어 및 소프트웨어 구현예들 사이에는 차이가 거의 없다. 하드웨어 또는 소프트웨어의 사용은 일반적으로 (특정 맥락들에서 하드웨어와 소프트웨어 사이에서의 선택이 유의해질 수 있다는 점에서 항상 그런 것은 아님) 비용 대 효율성 트레이드오프들을 나타내는 설계 선택사항이다. 본원에서 설명된 프로세스들 및/또는 시스템들 및/또는 다른 기술들이 실시(effect)될 수 있는 다양한 수단들(예를 들어, 하드웨어, 소프트웨어, 및/또는 펌웨어)이 있을 수 있고, 선호된 수단은 프로세스들 및/또는 시스템들 및/또는 다른 기술들이 배치되는 맥락에 따라 달라질 수 있다. 예를 들어, 속도 및 정확도가 가장 중요하다고 구현자가 결정하는 경우, 구현자는 주로 하드웨어 및/또는 펌웨어 수단을 선택할 수 있다. 유연성이 가장 중요한 경우, 구현자는 주로 소프트웨어 구현예를 선택할 수 있다. 대안적으로, 구현자는 하드웨어, 소프트웨어, 및/또는 펌웨어의 일부 조합을 선택할 수 있다.
전술한 상세한 설명은 블록선도들, 흐름도들, 및/또는 예들의 사용을 통해 디바이스들 및/또는 프로세스들의 다양한 실시형태들을 기재하였다. 이와 같은 블록선도들, 흐름도들, 및/또는 실시예들이 하나 이상의 기능 및/또는 동작을 포함하는 한, 이와 같은 블록선도들, 흐름도들, 또는 실시예들 내의 각각의 기능 및/또는 동작은 광범위한 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 사실상 임의의 조합에 의해 개별적으로 그리고/또는 집합적으로 구현될 수 있다는 것이 당업자에 의해 이해될 것이다. 일 실시형태에서, 본원에서 설명된 주제의 여러 부분들은 주문형 집적 회로들(ASIC들), 필드 프로그래밍 가능 게이트 어레이들(FPGA들), 디지털 신호 프로세서들(DSP들), 및/또는 다른 집적 포맷들을 통해 구현될 수 있다. 그러나, 본원에서 개시된 실시형태들의 일부 양태들이, 전체적으로 또는 부분적으로, 집적 회로들에서, 하나 이상의 컴퓨터들 상에서 실행되는 하나 이상의 컴퓨터 프로그램들로서(예를 들어, 하나 이상의 컴퓨터 시스템들 상에서 실행되는 하나 이상의 프로그램들로서), 하나 이상의 프로세서들 상에서 실행되는 하나 이상의 프로그램들로서(예를 들어, 하나 이상의 마이크로프로세서들 상에서 실행되는 하나 이상의 프로그램들로서), 펌웨어로서, 또는 이들의 사실상 임의의 조합으로서 동등하게 구현될 수 있고, 회로부를 설계하는 것 및/또는 소프트웨어 및/또는 펌웨어에 대한 코드를 기록하는 것이 본 개시내용을 고려하여 당업자의 역량 내에 충분히 있을 것임을 당업자는 인식할 것이다. 추가로, 본원에서 설명된 주제의 메커니즘들이 다양한 형태들의 프로그램 제품으로 배포될 수 있으며, 본원에서 설명된 주제의 예시적인 실시형태가 배포를 실제로 수행하는 데 사용되는 특정 유형의 신호 베어링 매체들(signal bearing medium)에 관계없이 적용된다는 것을 당업자는 이해할 것이다. 신호 베어링 매체들의 예들은 다음을 포함하지만, 이로 한정되지는 않는다. 플로피 디스크, 하드 디스크 드라이브, CD, DVD, 디지털 테이프, 컴퓨터 메모리 등과 같은 기록 가능 유형 매체들, 및 디지털 및/또는 아날로그 통신 매체들(예를 들어, 광섬유 케이블, 도파관, 유선 통신 링크, 무선 통신 링크 등)과 같은 전송 유형 매체들.
당업자는 본원에서 제시된 방식으로 디바이스들 및/또는 프로세스들을 설명하고, 그 후에 이와 같은 설명된 디바이스들 및/또는 프로세스들을 데이터 처리 시스템 내로 통합하기 위해 엔지니어링 실시들을 사용하는 것이 당업계에서 통상적인 것임을 인식할 것이다. 즉, 본원에서 설명된 디바이스들 및/또는 프로세스들의 적어도 일부분은 합리적인 양의 실험을 통해 데이터 처리 시스템 내에 통합될 수 있다. 당업자는, 전형적인 데이터 처리 시스템이 일반적으로 시스템 유닛 하우징, 비디오 디스플레이 디바이스, 휘발성 및 비휘발성 메모리와 같은 메모리, 마이크로프로세서들 및 디지털 신호 프로세서들과 같은 프로세서들, 동작 시스템들, 드라이버들, 그래픽 사용자 인터페이스들, 및 응용 프로그램들과 같은 계산 엔티티들, 터치 패드 또는 스크린과 같은 하나 이상의 상호작용 디바이스, 및/또는 피드백 루프 및 제어 모터(예를 들어, 위치(position) 및/또는 속도를 감지하기 위한 피드백, 컴포넌트 및/또는 양들을 이동 및/또는 조정하기 위한 제어 모터)를 포함하는 제어 시스템들 중 하나 이상을 포함할 수 있다는 것을 인식할 것이다. 전형적인 데이터 처리 시스템은 임의의 적합한 상업적으로 입수 가능한 컴포넌트들, 예를 들어, 데이터 컴퓨팅/통신 및/또는 네트워크 컴퓨팅/통신 시스템들에서 전형적으로 발견되는 것들을 이용하여 구현될 수 있다.
본원에서 설명된 주제는 때때로 상이한 다른 컴포넌트들 내에 포함되거나 그와 접속되는, 상이한 컴포넌트들을 예시한다. 이와 같이 묘사된 아키텍처들은 단지 예들일 뿐이라는 것, 및 실제로 동일한 기능을 달성하는 많은 다른 아키텍처들이 구현될 수 있다는 것으로 이해되어야 한다. 개념적 의미에서, 동일한 기능을 달성하기 위한 컴포넌트들의 임의의 배열은 원하는 기능이 달성될 수 있도록 효과적으로 "연관"되어 있다. 따라서, 특정 기능을 달성하도록 조합되는 본원의 임의의 2개의 컴포넌트는, 아키텍처 또는 중간 컴포넌트(intermedial component)들과 관계없이, 원하는 기능이 달성되도록 서로 "연관"되어 있는 것으로 보일 수 있다. 마찬가지로, 그렇게 연관된 임의의 2개의 컴포넌트는 원하는 기능을 달성하도록 서로 "동작 가능하게 접속된(operably connected)" 또는 "동작 가능하게 커플링된(operably coupled)" 것으로 또한 보일 수 있고, 그렇게 연관될 수 있는 임의의 2개의 컴포넌트는 원하는 기능을 달성하도록 서로 "동작 가능하게 커플링 가능한(operably couplable)" 것으로 또한 보일 수 있다. 동작 가능하게 커플링 가능한 특정 예들은 물리적으로 정합 가능한(physically mateable) 및/또는 물리적으로 상호 작용하는 컴포넌트들, 및/또는 무선으로 상호 작용 가능한 및/또는 무선으로 상호 작용하는 컴포넌트들, 및/또는 논리적으로 상호 작용하는 및/또는 논리적으로 상호 작용 가능한 컴포넌트들을 포함하지만 이로 한정되지 않는다.
본원에서의 실질적으로 임의의 복수 및/또는 단수 용어들의 사용과 관련하여, 당업자는 맥락 및/또는 응용에 적절한 바와 같이 복수로부터 단수로 및/또는 단수로부터 복수로 변환할 수 있다. 명확성을 위해 다양한 단수/복수 치환(permutation)들이 본원에서 명시적으로 제시될 수 있다.
일반적으로, 본원에서 그리고 특히 첨부된 청구범위(예를 들어, 첨부된 청구범위의 본문들)에서 사용되는 용어들이 일반적으로 "개방형(open)" 용어들로서 의도된다는 것이 당업자에 의해 이해될 것이다(예를 들어, 용어 "포함하는(including)"은 "포함하지만 이로 한정되지 않는(including but not limited to)"으로서 해석되어야 하고, 용어 "갖는(having)"은 "적어도 갖는(having at least)"으로서 해석되어야 하고, 용어 "포함한다(includes)"는 "포함하지만 이로 한정되지 않는다(includes but is not limited to)"로서 해석되어야 함 등이다). 특정 개수의 도입된 청구항 열거가 의도되는 경우, 이와 같은 의도가 청구항에 명시적으로 열거될 것이고, 이와 같은 열거가 부재하는 경우, 이와 같은 의도가 존재하지 않는다는 것이 당업자에 의해 추가로 이해될 것이다. 예를 들어, 하나의 항목만이 의도되는 경우, 용어 "단일" 또는 유사한 표현(language)이 사용될 수 있다. 이해에 대한 보조로서, 이하의 첨부된 청구범위 및/또는 본원에서의 설명들은 청구항 열거들을 도입하기 위해 "적어도 하나" 및 "하나 이상"이라는 도입 어구들의 사용을 포함할 수 있다. 그러나, 동일한 청구항이 도입 어구들 "하나 이상" 또는 "적어도 하나" 및 "a" 또는 "an"과 같은 부정 관사들(예를 들어, "a" 및/또는 "an"은 "적어도 하나" 또는 "하나 이상"을 의미하는 것으로 해석되어야 함)를 포함할 때에도, 이와 같은 어구들의 사용은 부정관사들 "a" 또는 "an"에 의한 청구항 열거의 도입이 이와 같은 도입된 청구항 열거를 포함하는 임의의 특정의 청구항을 단지 하나의 이와 같은 열거를 포함하는 실시형태들로 제한한다는 것을 암시하는 것으로 해석되어서는 안 된다. 청구항 열거들을 도입하는 데 사용되는 정관사들의 사용에 대해서도 마찬가지이다. 게다가, 특정 수의 도입된 청구항 열거가 명시적으로 열거되더라도, 당업자는 이와 같은 열거가 적어도 열거된 수를 의미하는 것으로 해석되어야 한다는 것을 인식할 것이다(예를 들어, 다른 수식어들을 갖지 않는 "2개의 열거"인 기본 열거(bare recitation)는 적어도 2개의 열거 또는 2개 이상의 열거를 의미한다). 더욱이, "A, B, 및 C 등 중 적어도 하나"와 유사한 관습적 표현(convention)이 사용되는 이와 같은 경우들에서, 일반적으로, 이와 같은 구조는 당업자가 관습적 표현을 이해하는 의미로 의도된다(예를 들어, "A, B, 및 C 중 적어도 하나를 갖는 시스템"은 A 단독, B 단독, C 단독, A 및 B를 함께, A 및 C를 함께, B 및 C를 함께, 그리고/또는 A, B, 및 C를 함께, 등을 갖는 시스템들을 포함하지만 이로 한정되지 않을 것이다). "A, B, 또는 C 등 중 적어도 하나"와 유사한 관습적 표현이 사용되는 이와 같은 경우들에서, 일반적으로, 이와 같은 구조는 당업자가 관습적 표현을 이해하는 의미로 의도된다(예를 들어, "A, B, 또는 C 중 적어도 하나를 갖는 시스템"은 A 단독, B 단독, C 단독, A 및 B를 함께, A 및 C를 함께, B 및 C를 함께, 그리고/또는 A, B, 및 C를 함께, 등을 갖는 시스템들을 포함하지만 이로 한정되지 않을 것이다). 설명에서든, 청구범위에서든, 또는 도면들에서든, 2개 이상의 대안적 용어를 제시하는 사실상 임의의 이접 접속어(disjunctive word) 및/또는 이접 접속구(disjunctive phrase)가 용어들 중 하나, 용어들 중 어느 하나, 또는 용어들 둘 모두를 포함하는 가능성들을 고려하도록 이해되어야 한다는 것이 당업자에 의해 추가로 이해될 것이다. 예를 들어, 문구 "A 또는 B"는 "A" 또는 "B" 또는 "A 및 B"의 가능성들을 포함하는 것으로 이해될 것이다. 또한, 본원에 사용된 바와 같이, 용어 "~중 임의의 것"에 이어지는 복수의 항목 및/또는 복수의 항목의 카테고리의 목록은 항목들 및/또는 항목들의 카테고리들 "~중 임의의 것", "~의 임의의 조합", "~중 임의의 다수", 및/또는 "~중 다수들의 임의의 조합"을, 개별적으로 또는 다른 항목들 및/또는 다른 항목들의 카테고리들과 함께, 포함하는 것으로 의도된다. 더욱이, 본원에 사용된 바와 같이, 용어 "세트"는, 0을 포함하는, 임의의 개수의 항목을 포함하는 것으로 의도된다. 추가적으로, 본원에 사용된 바와 같이, 용어 "개수"는, 0을 포함하는, 임의의 개수를 포함하는 것으로 의도된다. 그리고, 본원에 사용된 바와 같은 용어 "다수의"는 "복수의"와 동의어인 것으로 의도된다.
게다가, 본 개시내용의 특징들 또는 양태들이 마쿠쉬(Markush) 그룹들의 관점에서 기술되는 경우, 당업자는 본 개시내용이 또한 그에 의해 마쿠쉬 그룹의 임의의 개별 멤버 또는 멤버들의 서브그룹의 관점에서 기술됨을 인식할 것이다.
당업자에 의해 이해될 바와 같은, 서면 설명을 제공하는 관점에서와 같은, 임의의 및 모든 목적들을 위해, 본원에서 개시된 모든 범위들은 임의의 및 모든 가능한 서브범위들 및 이들의 서브범위들의 조합을 또한 포괄한다. 임의의 열거된 범위는 동일한 범위가 적어도 동일한 1/2, 1/3, 1/4, 1/5, 1/10 등으로 나누어지는 것을 충분히 기술하고 가능하게 하는 것으로 용이하게 인식될 수 있다. 비제한적인 예로서, 본원에서 논의된 각각의 범위는 하위 1/3, 중간 1/3 및 상위 1/3 등으로 쉽게 나누어질 수 있다. 또한 당업자에 의해 이해될 것인 바와 같이, "최대", "적어도", "초과", "미만" 등과 같은 모든 표현은 열거된 수를 포함하고, 위에서 논의된 바와 같이 서브범위들로 후속적으로 나누어질 수 있는 범위들을 지칭한다. 마지막으로, 당업자에 의해 이해될 바와 같이, 범위는 각각의 개별 멤버를 포함한다. 따라서, 예를 들어, 1 내지 3개의 셀을 갖는 그룹은 1개, 2개 또는 3개의 셀을 갖는 그룹들을 지칭한다. 유사하게, 1 내지 5개의 셀을 갖는 그룹은 1개, 2개, 3개, 4개, 또는 5개의 셀을 갖는 그룹들을 지칭한다 등등.
더욱이, 청구범위는, 그러한 취지(effect)로 언급되지 않는 한, 제공된 순서 또는 요소들로 제한되는 것으로 읽히지 않아야 한다. 또한, 임의의 청구항에서 "~하는 수단"이라는 용어들의 사용은 35 U.S.C. §112, ¶6 또는 기능식 청구항(means-plus-function claim) 포맷을 호출하는 것으로 의도되고, "~하는 수단"이라는 용어들을 갖지 않는 임의의 청구항은 그렇게 의도되지 않는다.
Claims (24)
- 무선 송수신 유닛(WTRU)에 의해 구현되는 방법으로서,
적어도 하나의 기준 신호에 기초한 채널 상태 정보(CSI) 측정을 포함하는 CSI 보고를 생성하기 위해 상기 WTRU의 CSI 처리 유닛 자원들을 표시하는 제1 정보를 네트워크 노드로 전송하는 단계;
상기 네트워크 노드로부터, 상기 WTRU의 CSI 처리 유닛 자원들을 사용하여 CSI 보고를 생성하는 데 적용 가능한 인공 지능(AI) 모델 세트를 표시하는 제2 정보를 수신하는 단계;
상기 AI 모델 세트에서 적어도 하나의 AI 모델을 선택하는 단계;
적어도 하나의 기준 신호에 기초한 상기 CSI 측정을 포함하는 CSI 보고를 생성하는 단계 - 상기 CSI 보고의 적어도 하나의 부분은 상기 AI 모델 세트의 선택된 적어도 하나의 AI 모델을 사용하여 생성됨 -; 및
상기 생성된 CSI 보고를 포함하는 메시지를 상기 네트워크 노드로 전송하는 단계를 포함하는, 무선 송수신 유닛에 의해 구현되는 방법. - 제1항에 있어서,
코드북 기반 프리코딩을 사용하고 적어도 하나의 기준 신호에 기초한 상기 CSI 측정을 사용하여 상기 CSI 보고의 적어도 하나의 추가 부분을 생성하는 단계를 더 포함하는, 무선 송수신 유닛에 의해 구현되는 방법. - 제1항 내지 제2항 중 어느 한 항에 있어서,
상기 선택된 적어도 하나의 AI 모델을 표시하는 제3 정보를 전송하는 단계를 더 포함하는, 무선 송수신 유닛에 의해 구현되는 방법. - 제1항 내지 제3항 중 어느 한 항에 있어서, 상기 제1 정보는 상기 CSI를 처리하기 위해 상기 WTRU에서 사용 가능한 최대 CSI 처리 유닛의 수; 상기 CSI를 처리하기 위한 최대 AI 모델의 수; 및 CSI 계산 시간 중에서 임의의 것을 표시하는, 무선 송수신 유닛에 의해 구현되는 방법.
- 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 AI 모델 세트의 각 AI 모델은 상기 CSI를 처리하는 데 사용되는 CSI 처리 유닛의 수와 연관되는, 무선 송수신 유닛에 의해 구현되는 방법.
- 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 네트워크 노드로부터, CSI 보고 구성을 수신하는 단계를 더 포함하고, 상기 CSI 보고 구성은 상기 AI 모델 세트의 적어도 하나의 AI 모델을 사용하여 상기 CSI 보고의 적어도 하나의 부분을 생성하도록 표시하는, 무선 송수신 유닛에 의해 구현되는 방법. - 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 CSI 보고의 적어도 하나의 부분은 AI 모델 구성; 코드북 구성; CSI 자원 구성; CSI 기준 신호 자원 구성; 및 상기 CSI를 처리하기 위해 상기 WTRU에서 이용 가능한 최대 CSI 처리 유닛의 수 중에서 임의의 것에 기초하여 결정되는, 무선 송수신 유닛에 의해 구현되는 방법.
- 제1항 내지 제7항 중 어느 한 항에 있어서, 상기 적어도 하나의 AI 모델은 인코더 기능을 포함하는 인코더 AI 모델에 상응하는 하나의 AI 모델이고, 상기 하나의 AI 모델은 디코더 기능을 포함하는 상응하는 디코더 AI 모델과 연관되는, 무선 송수신 유닛에 의해 구현되는 방법.
- 제1항 내지 제8항 중 어느 한 항에 있어서, 상기 CSI 보고의 적어도 하나의 부분을 생성하는 단계는 상기 인코더 AI 모델의 인코더 기능을 사용하여 상기 CSI 보고의 적어도 하나의 부분을 인코딩하는 단계를 포함하는, 무선 송수신 유닛에 의해 구현되는 방법.
- 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 적어도 하나의 AI 모델은 상기 WTRU에 의해, 구성된 AI 모델 세트에서 선택되는, 무선 송수신 유닛에 의해 구현되는 방법.
- 제1항 내지 제10항 중 어느 한 항에 있어서, 상기 적어도 하나의 AI 모델은 상기 AI 모델 세트에서 AI 처리 유형의 표시; 전송할 CSI 보고 유형의 표시; AI 모델의 표시; 전송할 CSI 보고 수의 표시; CSI 보고 타이밍의 표시; 업링크 자원의 이용 가능성의 표시; 및/또는 AI 모델 성능의 표시 중 임의의 것에 기초하여 선택되는, 무선 송수신 유닛에 의해 구현되는 방법.
- 제1항 내지 제10항 중 어느 한 항에 있어서,
상기 CSI 처리 유닛 자원들을 사용하여 상기 CSI 보고를 생성하는 단계를 더 포함하는, 무선 송수신 유닛에 의해 구현되는 방법. - 프로세서 및 송수신 유닛을 포함하는 무선 송수신 유닛(WTRU)으로서,
적어도 하나의 기준 신호에 기초한 채널 상태 정보(CSI) 측정을 포함하는 CSI 보고를 생성하기 위해 상기 WTRU의 CSI 처리 유닛 자원들을 표시하는 제1 정보를 네트워크 노드로 전송하고;
상기 네트워크 노드로부터, 상기 WTRU의 CSI 처리 유닛 자원들을 사용하여 CSI 보고를 생성하는 데 적용 가능한 인공 지능(AI) 모델 세트를 표시하는 제2 정보를 수신하고;
상기 AI 모델 세트에서 적어도 하나의 AI 모델을 선택하고;
적어도 하나의 기준 신호에 기초한 상기 CSI 측정을 포함하는 CSI 보고를 생성하고 - 상기 CSI 보고의 적어도 하나의 부분은 상기 AI 모델 세트의 선택된 적어도 하나의 AI 모델을 사용하여 생성됨 -; 그리고
상기 네트워크 노드에, 생성된 CSI 보고를 포함하는 메시지를 전송하도록 구성된 프로세서 및 송수신 유닛을 포함하는, 무선 송수신 유닛. - 제13항에 있어서, 상기 프로세서는,
코드북 기반 프리코딩을 사용하고 적어도 하나의 기준 신호에 기초한 CSI 측정을 사용하여, 상기 CSI 보고의 적어도 하나의 추가 부분을 생성하도록 더 구성되는, 무선 송수신 유닛. - 제13항 또는 제14항에 있어서, 상기 송수신 유닛은,
상기 선택된 적어도 하나의 AI 모델을 표시하는 제3 정보를 전송하도록 더 구성되는, 무선 송수신 유닛. - 제13항 내지 제15항 중 어느 한 항에 있어서, 상기 제1 정보는 상기 CSI를 처리하기 위해 상기 WTRU에서 이용 가능한 최대 CSI 처리 유닛의 수; 상기 CSI를 처리하기 위한 최대 AI 모델의 수; 및 CSI 계산 시간 중에서 임의의 것을 표시하는, 무선 송수신 유닛.
- 제13항 내지 제16항 중 어느 한 항에 있어서, 상기 AI 모델 세트의 각 AI 모델은 상기 CSI를 처리하는 데 사용되는 CSI 처리 유닛의 수와 연관되는, 무선 송수신 유닛.
- 제13항 내지 제17항 중 어느 한 항에 있어서, 상기 송수신 유닛은,
상기 네트워크 노드로부터, CSI 보고 구성을 수신하도록 더 구성될 수 있고, 상기 CSI 보고 구성은 상기 AI 모델 세트의 적어도 하나의 AI 모델을 사용하여 상기 CSI 보고의 상기 적어도 하나의 부분을 생성하도록 표시하는, 무선 송수신 유닛. - 제13항 내지 제18항 중 어느 한 항에 있어서, 상기 CSI 보고의 적어도 하나의 부분은 AI 모델 구성; 코드북 구성; CSI 자원 구성; CSI 기준 신호 자원 구성; 및 상기 CSI를 처리하기 위해 상기 WTRU에서 이용 가능한 최대 CSI 처리 유닛의 수 중에서 임의의 것에 기초하여 결정되는, 무선 송수신 유닛.
- 제13항 내지 제19항 중 어느 한 항에 있어서, 상기 적어도 하나의 AI 모델은 인코더 기능을 포함하는 인코더 AI 모델에 상응하는 하나의 AI 모델이고, 상기 하나의 AI 모델은 디코더 기능을 포함하는 상응하는 디코더 AI 모델에 연관되는, 무선 송수신 유닛.
- 제13항 내지 제20항 중 어느 한 항에 있어서, 상기 CSI 보고의 적어도 하나의 부분의 생성은 상기 인코더 AI 모델의 인코더 기능을 사용하여 상기 CSI 보고의 적어도 하나의 부분을 인코딩하는 것을 포함하는, 무선 송수신 유닛.
- 제13항 내지 제21항 중 어느 한 항에 있어서, 상기 적어도 하나의 AI 모델은 상기 WTRU에 의해, 구성된 AI 모델 세트에서 선택되는, 무선 송수신 유닛.
- 제13항 내지 제22항 중 어느 한 항에 있어서, 상기 적어도 하나의 AI 모델은 상기 AI 모델 세트에서, AI 처리 유형의 표시; 전송할 CSI 보고 유형의 표시; AI 모델의 표시; 전송할 CSI 보고 수의 표시; CSI 보고 타이밍의 표시; 업링크 자원의 이용 가능성의 표시; 및/또는 AI 모델의 성능의 표시 중 임의의 것에 기초하여 선택되는, 무선 송수신 유닛.
- 제13항 내지 제23항 중 어느 한 항에 있어서, 상기 프로세서는:
상기 CSI 처리 유닛 자원들을 사용하여 상기 CSI 보고를 생성하도록 더 구성되는, 무선 송수신 유닛.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163275180P | 2021-11-03 | 2021-11-03 | |
| US63/275,180 | 2021-11-03 | ||
| PCT/US2022/048672 WO2023081187A1 (en) | 2021-11-03 | 2022-11-02 | Methods and apparatuses for multi-resolution csi feedback for wireless systems |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240096675A true KR20240096675A (ko) | 2024-06-26 |
Family
ID=84537077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020247018575A KR20240096675A (ko) | 2021-11-03 | 2022-11-02 | 무선 시스템용 다중 해상도 csi 피드백을 위한 방법 및 장치 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4427352A1 (ko) |
| KR (1) | KR20240096675A (ko) |
| CN (1) | CN118369858A (ko) |
| WO (1) | WO2023081187A1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024072313A1 (en) * | 2022-09-30 | 2024-04-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Channel state information (csi) computation time for various configurations |
| WO2024097594A1 (en) * | 2022-11-03 | 2024-05-10 | Google Llc | Channel state information reporting based on machine learning techniques and on non learning machine techniques |
| WO2024179075A1 (en) * | 2023-11-24 | 2024-09-06 | Lenovo (Beijing) Limited | Model pairing for ai/ml-based csi compression |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107659350A (zh) * | 2012-09-28 | 2018-02-02 | 华为技术有限公司 | 信道状态信息进程处理方法、网络设备和用户设备 |
| KR20210042717A (ko) * | 2019-10-10 | 2021-04-20 | 삼성전자주식회사 | 무선 통신 시스템에서 인공 지능을 활용한 신호 송수신 방법 및 장치 |
| US11424791B2 (en) * | 2020-04-16 | 2022-08-23 | Qualcomm Incorporated | Machine learning model selection in beamformed communications |
-
2022
- 2022-11-02 CN CN202280080239.7A patent/CN118369858A/zh active Pending
- 2022-11-02 KR KR1020247018575A patent/KR20240096675A/ko unknown
- 2022-11-02 WO PCT/US2022/048672 patent/WO2023081187A1/en active Application Filing
- 2022-11-02 EP EP22826247.3A patent/EP4427352A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4427352A1 (en) | 2024-09-11 |
| CN118369858A (zh) | 2024-07-19 |
| WO2023081187A1 (en) | 2023-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240187127A1 (en) | Model-based determination of feedback information concerning the channel state | |
| CN111201739B (zh) | 用于为5g或其它下一代网络传输反馈数据的重复因子的配置 | |
| KR20220141334A (ko) | 신뢰가능한 채널 상태 정보 보고를 위한 방법들, 장치 및 시스템들 | |
| KR20240096675A (ko) | 무선 시스템용 다중 해상도 csi 피드백을 위한 방법 및 장치 | |
| US20230403058A1 (en) | Methods for wireless communication in higher frequencies | |
| WO2022098629A1 (en) | Methods, architectures, apparatuses and systems for adaptive multi-user noma selection and symbol detection | |
| US20230403601A1 (en) | Dictionary-based ai components in wireless systems | |
| US20240275453A1 (en) | Beam domain preprocessor input type selection and parameter determination | |
| WO2024097614A1 (en) | Methods and systems for adaptive csi quantization | |
| WO2024173223A1 (en) | Methods on supporting dynamic model selection for wireless communication | |
| WO2024015709A1 (en) | Methods, apparatus, and systems for hierarchical beam prediction based on association of beam resources | |
| WO2024030604A1 (en) | Validation of artificial intelligence (ai)/machine learning (ml) in beam management and hierarchical beam prediction | |
| WO2024173451A1 (en) | Harq codebook enhancements | |
| WO2024178331A1 (en) | Switching measurement beams resources set size | |
| WO2024025731A1 (en) | Methods for hierarchical beam prediction based on multiple cri | |
| WO2023212059A1 (en) | Methods and apparatus for leveraging transfer learning for channel state information enhancement | |
| WO2024173452A1 (en) | One-shot transmission of harq codebook | |
| WO2024163940A1 (en) | PROCEDURES TO INFORM THE gNB FOR CSI REQUIREMENTS | |
| WO2023212006A1 (en) | Methods and apparatus for reference signal overhead reduction in wireless communication systems | |
| WO2024178328A1 (en) | Determine/indicate measurement beams resources set associated with artificial intelligence/machine learning systems | |
| WO2024036070A1 (en) | Beam prediction based on positioning and mobility | |
| WO2024211561A1 (en) | Methods on selecting, determining and indicating beam measurement set based on kpis for aiml systems | |
| WO2023196421A1 (en) | Methods and apparatus for wtru-specific channel state information codebook design | |
| WO2024163944A1 (en) | Procedures for dynamic reporting of specific predicted csi components | |
| WO2024178333A1 (en) | Switching measurement beams resources set type |