WO2022050565A1 - 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법 - Google Patents

무선 통신 시스템에서 핸드오버를 위한 장치 및 방법 Download PDF

Info

Publication number
WO2022050565A1
WO2022050565A1 PCT/KR2021/009261 KR2021009261W WO2022050565A1 WO 2022050565 A1 WO2022050565 A1 WO 2022050565A1 KR 2021009261 W KR2021009261 W KR 2021009261W WO 2022050565 A1 WO2022050565 A1 WO 2022050565A1
Authority
WO
WIPO (PCT)
Prior art keywords
handover
terminal
information
parameter
qos
Prior art date
Application number
PCT/KR2021/009261
Other languages
English (en)
French (fr)
Inventor
박재용
김성진
오재기
정재훈
홍성룡
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020227045176A priority Critical patent/KR20230058012A/ko
Priority to US18/024,481 priority patent/US20230319667A1/en
Priority to EP21864526.5A priority patent/EP4210393A1/en
Publication of WO2022050565A1 publication Critical patent/WO2022050565A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/24—Reselection being triggered by specific parameters
    • H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0011—Control or signalling for completing the hand-off for data sessions of end-to-end connection
    • H04W36/0033—Control or signalling for completing the hand-off for data sessions of end-to-end connection with transfer of context information
    • H04W36/0044—Control or signalling for completing the hand-off for data sessions of end-to-end connection with transfer of context information of quality context information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
    • H04W36/00837—Determination of triggering parameters for hand-off
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/14—Reselecting a network or an air interface

Definitions

  • the following description relates to a wireless communication system, and to an apparatus and method for handover in a wireless communication system.
  • a wireless access system is a multiple access system that can support communication with multiple users by sharing available system resources (bandwidth, transmission power, etc.).
  • Examples of the multiple access system include a code division multiple access (CDMA) system, a frequency division multiple access (FDMA) system, a time division multiple access (TDMA) system, an orthogonal frequency division multiple access (OFDMA) system, and a single carrier frequency (SC-FDMA) system. division multiple access) systems.
  • CDMA code division multiple access
  • FDMA frequency division multiple access
  • TDMA time division multiple access
  • OFDMA orthogonal frequency division multiple access
  • SC-FDMA single carrier frequency division multiple access
  • an enhanced mobile broadband (eMBB) communication technology has been proposed compared to the existing radio access technology (RAT).
  • eMBB enhanced mobile broadband
  • RAT radio access technology
  • UE reliability and latency sensitive services/user equipment
  • mMTC massive machine type communications
  • the present disclosure may provide an apparatus and method for handover in a wireless communication system.
  • a method of operating a terminal in a wireless communication system may be disclosed.
  • the terminal may include receiving handover-related information from an access point (AP).
  • the handover-related information may include at least one first parameter for a handover learning model and quality of service (QoS) information.
  • the terminal includes the steps of updating the first parameter to a second parameter through a handover learning model based on the QoS information, and performing a handover based on the updated at least one or more second parameters.
  • the handover may be a handover for changing a connection from an AP to a base station.
  • it may include the step of the terminal transmitting the second parameter to the base station.
  • the handover-related information may include information indicating whether the terminal uses the handover learning model.
  • the handover learning model is a model learning based on a beta distribution, and the terminal performs handover based on a value randomly sampled from the beta distribution and a bias value.
  • the bias value is a value for selecting a lower value among the sampled values, and the terminal may select a maximum value from the values obtained by adding the bias value to the sampled value.
  • the terminal may check the received power and perform handover based on the maximum value.
  • a terminal may be initiated in a wireless communication system.
  • the terminal may include a transceiver and a processor connected to the transceiver.
  • the processor may control the transceiver to receive handover related information from an access point (AP).
  • the handover-related information may include at least one first parameter for a handover learning model and quality of service (QoS) information.
  • the processor may update the first parameter to a second parameter through a handover learning model based on the QoS information, and perform handover based on the updated at least one or more second parameters.
  • the handover may be a handover for changing a connection from an AP to a base station.
  • the processor may control the transceiver to transmit the second parameter to the base station.
  • the handover-related information may include information indicating whether the terminal uses the handover learning model.
  • the handover learning model is a model learning based on a beta distribution
  • the processor may perform handover based on a value randomly sampled from the beta distribution and a bias value.
  • the bias value may be a value for selecting a lower value from among the sampled values.
  • the processor may select a maximum value among values obtained by adding the bias value to the sampled value.
  • the processor may check the received power and perform handover based on the maximum value.
  • an apparatus including at least one memory and at least one processor functionally connected to the at least one memory may be disclosed.
  • the at least one processor may control the device to receive handover related information from an access point (AP).
  • the handover-related information may include at least one first parameter for a handover learning model and quality of service (QoS) information.
  • QoS quality of service
  • the at least one processor may control the device to update the first parameter to a second parameter through a handover learning model based on the QoS information.
  • the at least one processor may control the device to perform a handover based on the updated at least one or more second parameters.
  • a non-transitory computer-readable medium storing at least one instruction may be disclosed.
  • the computer-readable medium may include the at least one instruction executable by a processor, wherein the at least one instruction may instruct the computer-readable medium to receive handover related information from an access point (AP). there is.
  • the handover-related information may include at least one first parameter for a handover learning model and quality of service (QoS) information.
  • the at least one instruction may instruct the computer-readable medium to update the first parameter to a second parameter through a handover learning model based on the QoS information.
  • the at least one instruction may instruct the computer-readable medium to perform a handover based on the updated at least one or more second parameters.
  • the terminal can perform efficient handover between Wi-Fi and a base station.
  • FIG. 1 is a diagram illustrating an example of a communication system applicable to the present disclosure.
  • FIG. 2 is a diagram illustrating an example of a wireless device applicable to the present disclosure.
  • FIG. 3 is a diagram illustrating another example of a wireless device applicable to the present disclosure.
  • FIG. 4 is a diagram illustrating an example of a portable device applicable to the present disclosure.
  • FIG. 5 is a diagram illustrating an example of a vehicle or autonomous driving vehicle applicable to the present disclosure.
  • FIG. 6 is a diagram illustrating an example of AI (Artificial Intelligence) applicable to the present disclosure.
  • AI Artificial Intelligence
  • FIG. 7 is a diagram illustrating a method of processing a transmission signal applicable to the present disclosure.
  • FIG 8 is a diagram illustrating an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • FIG. 9 is a diagram illustrating an electromagnetic spectrum applicable to the present disclosure.
  • FIG. 10 is a diagram illustrating a THz communication method applicable to the present disclosure.
  • FIG. 11 is a diagram illustrating a structure of a perceptron included in an artificial neural network applicable to the present disclosure.
  • FIG. 12 is a diagram illustrating an artificial neural network structure applicable to the present disclosure.
  • FIG. 13 is a diagram illustrating a deep neural network applicable to the present disclosure.
  • FIG. 14 is a diagram illustrating a convolutional neural network applicable to the present disclosure.
  • 15 is a diagram illustrating a filter operation of a convolutional neural network applicable to the present disclosure.
  • 16 is a diagram illustrating a neural network structure in which a cyclic loop applicable to the present disclosure exists.
  • 17 is a diagram illustrating an operation structure of a recurrent neural network applicable to the present disclosure.
  • FIG. 18 is a diagram illustrating handover between a wireless local area network (WLAN) and a base station.
  • WLAN wireless local area network
  • 19 is a diagram illustrating a service according to a Wi-Fi signal strength.
  • 20 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • 21 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • 22 is a diagram illustrating an example of associative learning applicable to the present disclosure.
  • FIG. 23 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • 24 is a diagram illustrating an example of a handover operation procedure applicable to the present disclosure.
  • 25 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • 26 is a diagram illustrating an example of a terminal operation procedure applicable to the present disclosure.
  • 27 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • 28 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • 29 is a diagram illustrating an example of an operation procedure of a base station applicable to the present disclosure.
  • each component or feature may be considered optional unless explicitly stated otherwise.
  • Each component or feature may be implemented in a form that is not combined with other components or features.
  • some components and/or features may be combined to configure an embodiment of the present disclosure.
  • the order of operations described in embodiments of the present disclosure may be changed. Some configurations or features of one embodiment may be included in other embodiments, or may be replaced with corresponding configurations or features of other embodiments.
  • the base station has a meaning as a terminal node of a network that directly communicates with the mobile station.
  • a specific operation described as being performed by the base station in this document may be performed by an upper node of the base station in some cases.
  • the 'base station' is a term such as a fixed station, a Node B, an eNB (eNode B), a gNB (gNode B), an ng-eNB, an advanced base station (ABS) or an access point (access point).
  • eNode B eNode B
  • gNode B gNode B
  • ng-eNB ng-eNB
  • ABS advanced base station
  • access point access point
  • a terminal includes a user equipment (UE), a mobile station (MS), a subscriber station (SS), a mobile subscriber station (MSS), It may be replaced by terms such as a mobile terminal or an advanced mobile station (AMS).
  • UE user equipment
  • MS mobile station
  • SS subscriber station
  • MSS mobile subscriber station
  • AMS advanced mobile station
  • a transmitting end refers to a fixed and/or mobile node that provides a data service or a voice service
  • a receiving end refers to a fixed and/or mobile node that receives a data service or a voice service.
  • the mobile station may be a transmitting end, and the base station may be a receiving end.
  • the mobile station may be the receiving end, and the base station may be the transmitting end.
  • Embodiments of the present disclosure are wireless access systems IEEE 802.xx system, 3rd Generation Partnership Project (3GPP) system, 3GPP Long Term Evolution (LTE) system, 3GPP 5G (5th generation) NR (New Radio) system, and 3GPP2 system among It may be supported by standard documents disclosed in at least one, and in particular, embodiments of the present disclosure are supported by 3GPP TS (technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 and 3GPP TS 38.331 documents. can be
  • embodiments of the present disclosure may be applied to other wireless access systems, and are not limited to the above-described system. As an example, it may be applicable to a system applied after the 3GPP 5G NR system, and is not limited to a specific system.
  • CDMA code division multiple access
  • FDMA frequency division multiple access
  • TDMA time division multiple access
  • OFDMA orthogonal frequency division multiple access
  • SC-FDMA single carrier frequency division multiple access
  • LTE is 3GPP TS 36.xxx Release 8 or later
  • LTE technology after 3GPP TS 36.xxx Release 10 may be referred to as LTE-A
  • xxx Release 13 may be referred to as LTE-A pro.
  • 3GPP NR may mean technology after TS 38.xxx Release 15.
  • 3GPP 6G may mean technology after TS Release 17 and/or Release 18.
  • "xxx" means standard document detail number LTE/NR/6G may be collectively referred to as a 3GPP system.
  • FIG. 1 is a diagram illustrating an example of a communication system applied to the present disclosure.
  • a communication system 100 applied to the present disclosure includes a wireless device, a base station, and a network.
  • the wireless device means a device that performs communication using a wireless access technology (eg, 5G NR, LTE), and may be referred to as a communication/wireless/5G device.
  • the wireless device may include a robot 100a, a vehicle 100b-1, 100b-2, an extended reality (XR) device 100c, a hand-held device 100d, and a home appliance. appliance) 100e, an Internet of Things (IoT) device 100f, and an artificial intelligence (AI) device/server 100g.
  • a wireless access technology eg, 5G NR, LTE
  • XR extended reality
  • IoT Internet of Things
  • AI artificial intelligence
  • the vehicle may include a vehicle equipped with a wireless communication function, an autonomous driving vehicle, a vehicle capable of performing inter-vehicle communication, and the like.
  • the vehicles 100b-1 and 100b-2 may include an unmanned aerial vehicle (UAV) (eg, a drone).
  • UAV unmanned aerial vehicle
  • the XR device 100c includes augmented reality (AR)/virtual reality (VR)/mixed reality (MR) devices, and includes a head-mounted device (HMD), a head-up display (HUD) provided in a vehicle, a television, It may be implemented in the form of a smartphone, a computer, a wearable device, a home appliance, a digital signage, a vehicle, a robot, and the like.
  • the portable device 100d may include a smart phone, a smart pad, a wearable device (eg, smart watch, smart glasses), and a computer (eg, a laptop computer).
  • the home appliance 100e may include a TV, a refrigerator, a washing machine, and the like.
  • the IoT device 100f may include a sensor, a smart meter, and the like.
  • the base station 120 and the network 130 may be implemented as a wireless device, and a specific wireless device 120a may operate as a base station/network node to other wireless devices.
  • the wireless devices 100a to 100f may be connected to the network 130 through the base station 120 .
  • AI technology may be applied to the wireless devices 100a to 100f , and the wireless devices 100a to 100f may be connected to the AI server 100g through the network 130 .
  • the network 130 may be configured using a 3G network, a 4G (eg, LTE) network, or a 5G (eg, NR) network.
  • the wireless devices 100a to 100f may communicate with each other through the base station 120/network 130, but communicate directly without going through the base station 120/network 130 (eg, sidelink communication) You may.
  • the vehicles 100b-1 and 100b-2 may perform direct communication (eg, vehicle to vehicle (V2V)/vehicle to everything (V2X) communication).
  • the IoT device 100f eg, a sensor
  • Wireless communication/connection 150a, 150b, and 150c may be performed between the wireless devices 100a to 100f/base station 120 and the base station 120/base station 120 .
  • wireless communication/connection includes uplink/downlink communication 150a and sidelink communication 150b (or D2D communication), and communication between base stations 150c (eg, relay, integrated access backhaul (IAB)). This may be achieved through radio access technology (eg, 5G NR).
  • IAB integrated access backhaul
  • the wireless device and the base station/wireless device, and the base station and the base station may transmit/receive wireless signals to each other.
  • the wireless communication/connection 150a , 150b , 150c may transmit/receive signals through various physical channels.
  • various configuration information setting processes for transmission/reception of wireless signals various signal processing processes (eg, channel encoding/decoding, modulation/demodulation, resource mapping/demapping, etc.) , at least a part of a resource allocation process may be performed.
  • signal processing processes eg, channel encoding/decoding, modulation/demodulation, resource mapping/demapping, etc.
  • FIG. 2 is a diagram illustrating an example of a wireless device applicable to the present disclosure.
  • a first wireless device 200a and a second wireless device 200b may transmit/receive wireless signals through various wireless access technologies (eg, LTE, NR).
  • ⁇ first wireless device 200a, second wireless device 200b ⁇ is ⁇ wireless device 100x, base station 120 ⁇ of FIG. 1 and/or ⁇ wireless device 100x, wireless device 100x) ⁇ can be matched.
  • the first wireless device 200a includes one or more processors 202a and one or more memories 204a, and may further include one or more transceivers 206a and/or one or more antennas 208a.
  • the processor 202a controls the memory 204a and/or the transceiver 206a and may be configured to implement the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein.
  • the processor 202a may process information in the memory 204a to generate first information/signal, and then transmit a wireless signal including the first information/signal through the transceiver 206a.
  • the processor 202a may receive the radio signal including the second information/signal through the transceiver 206a, and then store the information obtained from the signal processing of the second information/signal in the memory 204a.
  • the memory 204a may be connected to the processor 202a and may store various information related to the operation of the processor 202a.
  • the memory 204a may provide instructions for performing some or all of the processes controlled by the processor 202a, or for performing the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein. may store software code including
  • the processor 202a and the memory 204a may be part of a communication modem/circuit/chip designed to implement a wireless communication technology (eg, LTE, NR).
  • a wireless communication technology eg, LTE, NR
  • the transceiver 206a may be coupled to the processor 202a and may transmit and/or receive wireless signals via one or more antennas 208a.
  • the transceiver 206a may include a transmitter and/or a receiver.
  • the transceiver 206a may be used interchangeably with a radio frequency (RF) unit.
  • RF radio frequency
  • a wireless device may refer to a communication modem/circuit/chip.
  • the second wireless device 200b includes one or more processors 202b, one or more memories 204b, and may further include one or more transceivers 206b and/or one or more antennas 208b.
  • the processor 202b controls the memory 204b and/or the transceiver 206b and may be configured to implement the descriptions, functions, procedures, proposals, methods, and/or operational flowcharts disclosed herein.
  • the processor 202b may process information in the memory 204b to generate third information/signal, and then transmit a wireless signal including the third information/signal through the transceiver 206b.
  • the processor 202b may receive the radio signal including the fourth information/signal through the transceiver 206b, and then store information obtained from signal processing of the fourth information/signal in the memory 204b.
  • the memory 204b may be connected to the processor 202b and may store various information related to the operation of the processor 202b.
  • the memory 204b may provide instructions for performing some or all of the processes controlled by the processor 202b, or for performing the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein. may store software code including
  • the processor 202b and the memory 204b may be part of a communication modem/circuit/chip designed to implement a wireless communication technology (eg, LTE, NR).
  • a wireless communication technology eg, LTE, NR
  • the transceiver 206b may be coupled to the processor 202b and may transmit and/or receive wireless signals via one or more antennas 208b.
  • Transceiver 206b may include a transmitter and/or receiver.
  • Transceiver 206b may be used interchangeably with an RF unit.
  • a wireless device may refer to a communication modem/circuit/chip.
  • one or more protocol layers may be implemented by one or more processors 202a, 202b.
  • one or more processors 202a, 202b may include one or more layers (eg, PHY (physical), MAC (media access control), RLC (radio link control), PDCP (packet data convergence protocol), RRC (radio resource) control) and a functional layer such as service data adaptation protocol (SDAP)).
  • layers eg, PHY (physical), MAC (media access control), RLC (radio link control), PDCP (packet data convergence protocol), RRC (radio resource) control
  • SDAP service data adaptation protocol
  • the one or more processors 202a, 202b may be configured to process one or more protocol data units (PDUs) and/or one or more service data units (SDUs) according to the descriptions, functions, procedures, proposals, methods, and/or operational flowcharts disclosed herein. can create The one or more processors 202a, 202b may generate messages, control information, data, or information according to the description, function, procedure, proposal, method, and/or flow charts disclosed herein. The one or more processors 202a, 202b generate a signal (eg, a baseband signal) including a PDU, SDU, message, control information, data or information according to the functions, procedures, proposals and/or methods disclosed herein.
  • a signal eg, a baseband signal
  • processors 202a, 202b may receive signals (eg, baseband signals) from one or more transceivers 206a, 206b, and the descriptions, functions, procedures, proposals, methods, and/or flowcharts of operation disclosed herein.
  • PDUs, SDUs, messages, control information, data, or information may be acquired according to the fields.
  • One or more processors 202a, 202b may be referred to as a controller, microcontroller, microprocessor, or microcomputer.
  • One or more processors 202a, 202b may be implemented by hardware, firmware, software, or a combination thereof.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • firmware or software may be implemented using firmware or software, and the firmware or software may be implemented to include modules, procedures, functions, and the like.
  • the descriptions, functions, procedures, proposals, methods, and/or flow charts disclosed in this document provide that firmware or software configured to perform is included in one or more processors 202a, 202b, or stored in one or more memories 204a, 204b. It may be driven by the above processors 202a and 202b.
  • the descriptions, functions, procedures, proposals, methods, and/or flowcharts of operations disclosed herein may be implemented using firmware or software in the form of code, instructions, and/or a set of instructions.
  • One or more memories 204a, 204b may be coupled to one or more processors 202a, 202b and may store various types of data, signals, messages, information, programs, codes, instructions, and/or instructions.
  • One or more memories 204a, 204b may include read only memory (ROM), random access memory (RAM), erasable programmable read only memory (EPROM), flash memory, hard drives, registers, cache memory, computer readable storage media and/or It may be composed of a combination of these.
  • One or more memories 204a, 204b may be located inside and/or external to one or more processors 202a, 202b. Additionally, one or more memories 204a, 204b may be coupled to one or more processors 202a, 202b through various technologies, such as wired or wireless connections.
  • the one or more transceivers 206a, 206b may transmit user data, control information, radio signals/channels, etc. referred to in the methods and/or operational flowcharts of this document to one or more other devices.
  • the one or more transceivers 206a, 206b may receive user data, control information, radio signals/channels, etc. referred to in the descriptions, functions, procedures, suggestions, methods and/or flow charts, etc. disclosed herein, from one or more other devices. there is.
  • one or more transceivers 206a , 206b may be coupled to one or more processors 202a , 202b and may transmit and receive wireless signals.
  • one or more processors 202a, 202b may control one or more transceivers 206a, 206b to transmit user data, control information, or wireless signals to one or more other devices. Additionally, one or more processors 202a, 202b may control one or more transceivers 206a, 206b to receive user data, control information, or wireless signals from one or more other devices. Further, one or more transceivers 206a, 206b may be coupled with one or more antennas 208a, 208b, and the one or more transceivers 206a, 206b may be connected via one or more antennas 208a, 208b. , may be set to transmit and receive user data, control information, radio signals/channels, etc.
  • one or more antennas may be a plurality of physical antennas or a plurality of logical antennas (eg, antenna ports).
  • the one or more transceivers 206a, 206b converts the received radio signal/channel, etc. from the RF band signal to process the received user data, control information, radio signal/channel, etc. using the one or more processors 202a, 202b. It can be converted into a baseband signal.
  • One or more transceivers 206a, 206b may convert user data, control information, radio signals/channels, etc. processed using one or more processors 202a, 202b from baseband signals to RF band signals.
  • one or more transceivers 206a, 206b may include (analog) oscillators and/or filters.
  • FIG. 3 is a diagram illustrating another example of a wireless device applied to the present disclosure.
  • a wireless device 300 corresponds to the wireless devices 200a and 200b of FIG. 2 , and includes various elements, components, units/units, and/or modules. ) can be composed of
  • the wireless device 300 may include a communication unit 310 , a control unit 320 , a memory unit 330 , and an additional element 340 .
  • the communication unit may include communication circuitry 312 and transceiver(s) 314 .
  • communication circuitry 312 may include one or more processors 202a, 202b and/or one or more memories 204a, 204b of FIG. 2 .
  • the transceiver(s) 314 may include one or more transceivers 206a , 206b and/or one or more antennas 208a , 208b of FIG. 2 .
  • the control unit 320 is electrically connected to the communication unit 310 , the memory unit 330 , and the additional element 340 and controls general operations of the wireless device.
  • the controller 320 may control the electrical/mechanical operation of the wireless device based on the program/code/command/information stored in the memory unit 330 .
  • control unit 320 transmits the information stored in the memory unit 330 to the outside (eg, another communication device) through the communication unit 310 through a wireless/wired interface, or externally (eg, through the communication unit 310) Information received through a wireless/wired interface from another communication device) may be stored in the memory unit 330 .
  • the additional element 340 may be configured in various ways according to the type of the wireless device.
  • the additional element 340 may include at least one of a power unit/battery, an input/output unit, a driving unit, and a computing unit.
  • the wireless device 300 may include a robot ( FIGS. 1 and 100a ), a vehicle ( FIGS. 1 , 100b-1 , 100b-2 ), an XR device ( FIGS. 1 and 100c ), and a mobile device ( FIGS. 1 and 100d ). ), home appliances (FIG. 1, 100e), IoT device (FIG.
  • the wireless device may be mobile or used in a fixed location depending on the use-example/service.
  • various elements, components, units/units, and/or modules in the wireless device 300 may be all interconnected through a wired interface, or at least some may be wirelessly connected through the communication unit 310 .
  • the control unit 320 and the communication unit 310 are connected by wire, and the control unit 320 and the first unit (eg, 130 , 140 ) are connected wirelessly through the communication unit 310 .
  • each element, component, unit/unit, and/or module within the wireless device 300 may further include one or more elements.
  • the controller 320 may include one or more processor sets.
  • control unit 320 may be configured as a set of a communication control processor, an application processor, an electronic control unit (ECU), a graphic processing processor, a memory control processor, and the like.
  • memory unit 330 may include RAM, dynamic RAM (DRAM), ROM, flash memory, volatile memory, non-volatile memory, and/or a combination thereof. can be configured.
  • FIG. 4 is a diagram illustrating an example of a mobile device applied to the present disclosure.
  • the portable device may include a smart phone, a smart pad, a wearable device (eg, a smart watch, smart glasses), and a portable computer (eg, a laptop computer).
  • the mobile device may be referred to as a mobile station (MS), a user terminal (UT), a mobile subscriber station (MSS), a subscriber station (SS), an advanced mobile station (AMS), or a wireless terminal (WT).
  • MS mobile station
  • UT user terminal
  • MSS mobile subscriber station
  • SS subscriber station
  • AMS advanced mobile station
  • WT wireless terminal
  • the mobile device 400 includes an antenna unit 408 , a communication unit 410 , a control unit 420 , a memory unit 430 , a power supply unit 440a , an interface unit 440b , and an input/output unit 440c .
  • the antenna unit 408 may be configured as a part of the communication unit 410 .
  • Blocks 410 to 430/440a to 440c respectively correspond to blocks 310 to 330/340 of FIG. 3 .
  • the communication unit 410 may transmit and receive signals (eg, data, control signals, etc.) with other wireless devices and base stations.
  • the controller 420 may control components of the portable device 400 to perform various operations.
  • the controller 420 may include an application processor (AP).
  • the memory unit 430 may store data/parameters/programs/codes/commands necessary for driving the portable device 400 . Also, the memory unit 430 may store input/output data/information.
  • the power supply unit 440a supplies power to the portable device 400 and may include a wired/wireless charging circuit, a battery, and the like.
  • the interface unit 440b may support a connection between the portable device 400 and other external devices.
  • the interface unit 440b may include various ports (eg, an audio input/output port and a video input/output port) for connection with an external device.
  • the input/output unit 440c may receive or output image information/signal, audio information/signal, data, and/or information input from a user.
  • the input/output unit 440c may include a camera, a microphone, a user input unit, a display unit 440d, a speaker, and/or a haptic module.
  • the input/output unit 440c obtains information/signals (eg, touch, text, voice, image, video) input from the user, and the obtained information/signals are stored in the memory unit 430 . can be saved.
  • the communication unit 410 may convert the information/signal stored in the memory into a wireless signal, and transmit the converted wireless signal directly to another wireless device or to a base station. Also, after receiving a radio signal from another radio device or base station, the communication unit 410 may restore the received radio signal to original information/signal.
  • the restored information/signal may be stored in the memory unit 430 and output in various forms (eg, text, voice, image, video, haptic) through the input/output unit 440c.
  • FIG. 5 is a diagram illustrating an example of a vehicle or autonomous driving vehicle applied to the present disclosure.
  • the vehicle or autonomous driving vehicle may be implemented as a mobile robot, a vehicle, a train, an aerial vehicle (AV), a ship, and the like, but is not limited to the shape of the vehicle.
  • AV aerial vehicle
  • the vehicle or autonomous driving vehicle 500 includes an antenna unit 508 , a communication unit 510 , a control unit 520 , a driving unit 540a , a power supply unit 540b , a sensor unit 540c and autonomous driving.
  • a unit 540d may be included.
  • the antenna unit 550 may be configured as a part of the communication unit 510 .
  • Blocks 510/530/540a to 540d respectively correspond to blocks 410/430/440 of FIG. 4 .
  • the communication unit 510 may transmit/receive signals (eg, data, control signals, etc.) to and from external devices such as other vehicles, base stations (eg, base stations, roadside units, etc.), and servers.
  • the controller 520 may control elements of the vehicle or the autonomous driving vehicle 500 to perform various operations.
  • the controller 520 may include an electronic control unit (ECU).
  • ECU electronice control unit
  • AI devices include TVs, projectors, smartphones, PCs, laptops, digital broadcasting terminals, tablet PCs, wearable devices, set-top boxes (STBs), radios, washing machines, refrigerators, digital signage, robots, vehicles, etc. It may be implemented as a device or a mobile device.
  • the AI device 600 includes a communication unit 610 , a control unit 620 , a memory unit 630 , input/output units 640a/640b , a learning processor unit 640c and a sensor unit 640d.
  • a communication unit 610 may include Blocks 610 to 630/640a to 640d may correspond to blocks 310 to 330/340 of FIG. 3 , respectively.
  • the communication unit 610 uses wired and wireless communication technology to communicate with external devices such as other AI devices (eg, FIGS. 1, 100x, 120, 140) or an AI server ( FIGS. 1 and 140 ) and wired and wireless signals (eg, sensor information, user input, learning model, control signal, etc.). To this end, the communication unit 610 may transmit information in the memory unit 630 to an external device or transmit a signal received from the external device to the memory unit 630 .
  • AI devices eg, FIGS. 1, 100x, 120, 140
  • an AI server FIGS. 1 and 140
  • wired and wireless signals eg, sensor information, user input, learning model, control signal, etc.
  • the controller 620 may determine at least one executable operation of the AI device 600 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. Then, the controller 620 may control the components of the AI device 600 to perform the determined operation. For example, the control unit 620 may request, search, receive, or utilize the data of the learning processor unit 640c or the memory unit 630, and is determined to be a predicted operation or desirable among at least one executable operation. Components of the AI device 600 may be controlled to execute the operation. In addition, the control unit 620 collects history information including user feedback on the operation contents or operation of the AI device 600 and stores it in the memory unit 630 or the learning processor unit 640c, or the AI server ( 1 and 140), and the like may be transmitted to an external device. The collected historical information may be used to update the learning model.
  • the memory unit 630 may store data supporting various functions of the AI device 600 .
  • the memory unit 630 may store data obtained from the input unit 640a , data obtained from the communication unit 610 , output data of the learning processor unit 640c , and data obtained from the sensing unit 640 .
  • the memory unit 630 may store control information and/or software codes necessary for the operation/execution of the control unit 620 .
  • the input unit 640a may acquire various types of data from the outside of the AI device 600 .
  • the input unit 620 may obtain training data for model learning, input data to which the learning model is applied, and the like.
  • the input unit 640a may include a camera, a microphone, and/or a user input unit.
  • the output unit 640b may generate an output related to sight, hearing, or touch.
  • the output unit 640b may include a display unit, a speaker, and/or a haptic module.
  • the sensing unit 640 may obtain at least one of internal information of the AI device 600 , surrounding environment information of the AI device 600 , and user information by using various sensors.
  • the sensing unit 640 may include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and/or a radar. there is.
  • the learning processor unit 640c may train a model composed of an artificial neural network by using the training data.
  • the learning processor unit 640c may perform AI processing together with the learning processor unit of the AI server ( FIGS. 1 and 140 ).
  • the learning processor unit 640c may process information received from an external device through the communication unit 610 and/or information stored in the memory unit 630 . Also, the output value of the learning processor unit 640c may be transmitted to an external device through the communication unit 610 and/or stored in the memory unit 630 .
  • the transmission signal may be processed by a signal processing circuit.
  • the signal processing circuit 700 may include a scrambler 710 , a modulator 720 , a layer mapper 730 , a precoder 740 , a resource mapper 750 , and a signal generator 760 .
  • the operation/function of FIG. 7 may be performed by the processors 202a and 202b and/or the transceivers 206a and 206b of FIG. 2 .
  • blocks 710 to 760 may be implemented in the processors 202a and 202b and/or the transceivers 206a and 206b of FIG. 2 .
  • blocks 710 to 760 may be implemented in the processors 202a and 202b of FIG. 2 .
  • blocks 710 to 750 may be implemented in the processors 202a and 202b of FIG. 2
  • block 760 may be implemented in the transceivers 206a and 206b of FIG. 2 , and the embodiment is not limited thereto.
  • the codeword may be converted into a wireless signal through the signal processing circuit 700 of FIG. 7 .
  • the codeword is a coded bit sequence of an information block.
  • the information block may include a transport block (eg, a UL-SCH transport block, a DL-SCH transport block).
  • the radio signal may be transmitted through various physical channels (eg, PUSCH, PDSCH).
  • the codeword may be converted into a scrambled bit sequence by the scrambler 710 .
  • a scramble sequence used for scrambling is generated based on an initialization value, and the initialization value may include ID information of a wireless device, and the like.
  • the scrambled bit sequence may be modulated by a modulator 720 into a modulation symbol sequence.
  • the modulation method may include pi/2-binary phase shift keying (pi/2-BPSK), m-phase shift keying (m-PSK), m-quadrature amplitude modulation (m-QAM), and the like.
  • the complex modulation symbol sequence may be mapped to one or more transport layers by a layer mapper 730 .
  • Modulation symbols of each transport layer may be mapped to corresponding antenna port(s) by a precoder 740 (precoding).
  • the output z of the precoder 740 may be obtained by multiplying the output y of the layer mapper 730 by the precoding matrix W of N*M.
  • N is the number of antenna ports
  • M is the number of transport layers.
  • the precoder 740 may perform precoding after performing transform precoding (eg, discrete fourier transform (DFT) transform) on the complex modulation symbols. Also, the precoder 740 may perform precoding without performing transform precoding.
  • transform precoding eg, discrete fourier transform (DFT) transform
  • the resource mapper 750 may map modulation symbols of each antenna port to a time-frequency resource.
  • the time-frequency resource may include a plurality of symbols (eg, a CP-OFDMA symbol, a DFT-s-OFDMA symbol) in the time domain and a plurality of subcarriers in the frequency domain.
  • the signal generator 760 generates a radio signal from the mapped modulation symbols, and the generated radio signal may be transmitted to another device through each antenna.
  • the signal generator 760 may include an inverse fast fourier transform (IFFT) module and a cyclic prefix (CP) inserter, a digital-to-analog converter (DAC), a frequency uplink converter, and the like. .
  • IFFT inverse fast fourier transform
  • CP cyclic prefix
  • DAC digital-to-analog converter
  • the signal processing process for the received signal in the wireless device may be configured in reverse of the signal processing processes 710 to 760 of FIG. 7 .
  • the wireless device eg, 200a or 200b of FIG. 2
  • the received radio signal may be converted into a baseband signal through a signal restorer.
  • the signal restorer may include a frequency downlink converter, an analog-to-digital converter (ADC), a CP remover, and a fast fourier transform (FFT) module.
  • ADC analog-to-digital converter
  • FFT fast fourier transform
  • the baseband signal may be restored to a codeword through a resource de-mapper process, a postcoding process, a demodulation process, and a descrambling process.
  • the codeword may be restored to the original information block through decoding.
  • the signal processing circuit (not shown) for the received signal may include a signal reconstructor, a resource de-mapper, a post coder, a demodulator, a de-scrambler, and a decoder.
  • 6G (wireless) systems have (i) very high data rates per device, (ii) very large number of connected devices, (iii) global connectivity, (iv) very low latency, (v) battery- It aims to reduce energy consumption of battery-free IoT devices, (vi) ultra-reliable connections, and (vii) connected intelligence with machine learning capabilities.
  • the vision of the 6G system may have four aspects such as "intelligent connectivity”, “deep connectivity”, “holographic connectivity”, and “ubiquitous connectivity”, and the 6G system may satisfy the requirements shown in Table 1 below. That is, Table 1 is a table showing the requirements of the 6G system.
  • the 6G system includes enhanced mobile broadband (eMBB), ultra-reliable low latency communications (URLLC), massive machine type communications (mmTC), AI integrated communication, and tactile Internet (tactile internet), high throughput (high throughput), high network capacity (high network capacity), high energy efficiency (high energy efficiency), low backhaul and access network congestion (low backhaul and access network congestion) and improved data security ( It may have key factors such as enhanced data security.
  • eMBB enhanced mobile broadband
  • URLLC ultra-reliable low latency communications
  • mmTC massive machine type communications
  • AI integrated communication e.g., eMBB
  • tactile Internet e internet
  • high throughput high network capacity
  • high energy efficiency high energy efficiency
  • low backhaul and access network congestion low backhaul and access network congestion
  • improved data security It may have key factors such as enhanced data security.
  • FIG 8 is a diagram illustrating an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • the 6G system is expected to have 50 times higher simultaneous wireless communication connectivity than the 5G wireless communication system.
  • URLLC a key feature of 5G, is expected to become an even more important technology by providing an end-to-end delay of less than 1 ms in 6G communication.
  • the 6G system will have much better volumetric spectral efficiency, unlike the frequently used area spectral efficiency.
  • 6G systems can provide very long battery life and advanced battery technology for energy harvesting, so mobile devices in 6G systems may not need to be charged separately.
  • AI The most important and newly introduced technology for 6G systems is AI.
  • AI was not involved in the 4G system.
  • 5G systems will support partial or very limited AI.
  • the 6G system will be AI-enabled for full automation.
  • Advances in machine learning will create more intelligent networks for real-time communication in 6G.
  • Incorporating AI into communications can simplify and enhance real-time data transmission.
  • AI can use numerous analytics to determine how complex target tasks are performed. In other words, AI can increase efficiency and reduce processing delays.
  • AI can also play an important role in M2M, machine-to-human and human-to-machine communication.
  • AI can be a rapid communication in the BCI (brain computer interface).
  • BCI brain computer interface
  • AI-based communication systems can be supported by metamaterials, intelligent structures, intelligent networks, intelligent devices, intelligent cognitive radios, self-sustaining wireless networks, and machine learning.
  • AI-based physical layer transmission means applying a signal processing and communication mechanism based on an AI driver rather than a traditional communication framework in a fundamental signal processing and communication mechanism.
  • a signal processing and communication mechanism based on an AI driver rather than a traditional communication framework in a fundamental signal processing and communication mechanism.
  • deep learning-based channel coding and decoding, deep learning-based signal estimation and detection, deep learning-based multiple input multiple output (MIMO) mechanism It may include AI-based resource scheduling and allocation.
  • Machine learning may be used for channel estimation and channel tracking, and may be used for power allocation, interference cancellation, and the like in a physical layer of a downlink (DL). In addition, machine learning may be used for antenna selection, power control, symbol detection, and the like in a MIMO system.
  • DL downlink
  • machine learning may be used for antenna selection, power control, symbol detection, and the like in a MIMO system.
  • Deep learning-based AI algorithms require large amounts of training data to optimize training parameters.
  • a lot of training data is used offline. This is because static training on training data in a specific channel environment may cause a contradiction between dynamic characteristics and diversity of a wireless channel.
  • signals of the physical layer of wireless communication are complex signals.
  • further research on a neural network for detecting a complex domain signal is needed.
  • Machine learning refers to a set of operations that trains a machine to create a machine that can perform tasks that humans can or cannot do.
  • Machine learning requires data and a learning model.
  • data learning methods can be roughly divided into three types: supervised learning, unsupervised learning, and reinforcement learning.
  • Neural network learning is to minimize output errors. Neural network learning repeatedly inputs training data into the neural network, calculates the output and target errors of the neural network for the training data, and backpropagates the neural network error from the output layer of the neural network to the input layer in the direction to reduce the error. ) to update the weight of each node in the neural network.
  • Supervised learning uses training data in which the correct answer is labeled in the training data, and in unsupervised learning, the correct answer may not be labeled in the training data. That is, for example, learning data in the case of supervised learning related to data classification may be data in which categories are labeled for each of the training data.
  • the labeled training data is input to the neural network, and an error can be calculated by comparing the output (category) of the neural network with the label of the training data.
  • the calculated error is back propagated in the reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back propagation.
  • the change amount of the connection weight of each node to be updated may be determined according to a learning rate.
  • the computation of the neural network on the input data and the backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently depending on the number of repetitions of the learning cycle of the neural network. For example, in the early stages of learning a neural network, a high learning rate can be used to increase the efficiency by allowing the neural network to quickly obtain a certain level of performance, and in the late learning period, a low learning rate can be used to increase the accuracy.
  • the learning method may vary depending on the characteristics of the data. For example, when the purpose of accurately predicting data transmitted from a transmitter in a communication system at a receiver is, it is preferable to perform learning using supervised learning rather than unsupervised learning or reinforcement learning.
  • the learning model corresponds to the human brain, and the most basic linear model can be considered. ) is called
  • the neural network cord used as a learning method is largely divided into deep neural networks (DNN), convolutional deep neural networks (CNN), and recurrent boltzmann machine (RNN) methods. and such a learning model can be applied.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • RNN recurrent boltzmann machine
  • THz communication may be applied in the 6G system.
  • the data rate may be increased by increasing the bandwidth. This can be accomplished by using sub-THz communication with a wide bandwidth and applying advanced large-scale MIMO technology.
  • a THz wave also known as sub-millimeter radiation, generally represents a frequency band between 0.1 THz and 10 THz with a corresponding wavelength in the range of 0.03 mm-3 mm.
  • the 100GHz-300GHz band range (Sub THz band) is considered a major part of the THz band for cellular communication.
  • Sub-THz band Addition to mmWave band increases 6G cellular communication capacity.
  • 300GHz-3THz is in the far-infrared (IR) frequency band.
  • the 300GHz-3THz band is part of the broadband, but at the edge of the wideband, just behind the RF band. Thus, this 300 GHz-3 THz band shows similarities to RF.
  • THz communication The main characteristics of THz communication include (i) widely available bandwidth to support very high data rates, and (ii) high path loss occurring at high frequencies (high directional antennas are indispensable).
  • the narrow beamwidth produced by the highly directional antenna reduces interference.
  • the small wavelength of the THz signal allows a much larger number of antenna elements to be integrated into devices and BSs operating in this band. This allows the use of advanced adaptive nesting techniques that can overcome range limitations.
  • FIG. 10 is a diagram illustrating a THz communication method applicable to the present disclosure.
  • THz wave is located between RF (Radio Frequency)/millimeter (mm) and infrared band, (i) It transmits non-metal/non-polar material better than visible light/infrared light, and has a shorter wavelength than RF/millimeter wave, so it has high straightness. Beam focusing may be possible.
  • FIG. 11 is a diagram illustrating a structure of a perceptron included in an artificial neural network applicable to the present disclosure.
  • FIG. 12 is a diagram illustrating an artificial neural network structure applicable to the present disclosure.
  • an artificial intelligence system may be applied in the 6G system.
  • the artificial intelligence system may operate based on a learning model corresponding to the human brain, as described above.
  • a paradigm of machine learning that uses a neural network structure with high complexity such as artificial neural networks as a learning model can be called deep learning.
  • a neural network cord used as a learning method is largely a deep neural network (DNN), a convolutional deep neural network (CNN), and a recurrent neural network (RNN).
  • DNN deep neural network
  • CNN convolutional deep neural network
  • RNN recurrent neural network
  • the artificial neural network may be composed of several perceptrons.
  • the giant artificial neural network structure extends the simplified perceptron structure shown in FIG. 11, input vectors can be applied to different multidimensional perceptrons.
  • an input value or an output value is referred to as a node.
  • the perceptron structure shown in FIG. 11 may be described as being composed of a total of three layers based on an input value and an output value.
  • An artificial neural network in which H (d+1)-dimensional perceptrons exist between the 1st layer and the 2nd layer and K (H+1)-dimensional perceptrons exist between the 2nd layer and the 3rd layer can be expressed as shown in FIG. can
  • the layer where the input vector is located is called an input layer
  • the layer where the final output value is located is called the output layer
  • all layers located between the input layer and the output layer are called hidden layers.
  • the artificial neural network illustrated in FIG. 12 can be understood as a total of two layers.
  • the artificial neural network is constructed by connecting the perceptrons of the basic blocks in two dimensions.
  • the aforementioned input layer, hidden layer, and output layer can be jointly applied in various artificial neural network structures such as CNN and RNN to be described later as well as multi-layer perceptron.
  • various artificial neural network structures such as CNN and RNN to be described later as well as multi-layer perceptron.
  • the artificial neural network becomes deeper, and a machine learning paradigm that uses a sufficiently deep artificial neural network as a learning model can be called deep learning.
  • an artificial neural network used for deep learning may be referred to as a deep neural network (DNN).
  • DNN deep neural network
  • FIG. 13 is a diagram illustrating a deep neural network applicable to the present disclosure.
  • the deep neural network may be a multilayer perceptron composed of eight hidden layers + eight output layers.
  • the multilayer perceptron structure may be expressed as a fully-connected neural network.
  • a connection relationship does not exist between nodes located in the same layer, and a connection relationship can exist only between nodes located in adjacent layers.
  • DNN has a fully connected neural network structure and is composed of a combination of a number of hidden layers and activation functions, so it can be usefully applied to figure out the correlation between input and output.
  • the correlation characteristic may mean a joint probability of input/output.
  • FIG. 14 is a diagram illustrating a convolutional neural network applicable to the present disclosure.
  • FIG. 15 is a diagram illustrating a filter operation of a convolutional neural network applicable to the present disclosure.
  • various artificial neural network structures different from the above-described DNN may be formed.
  • the DNN nodes located inside one layer are arranged in a one-dimensional vertical direction.
  • the nodes are two-dimensionally arranged with w horizontally and h vertical nodes. (Convolutional neural network structure in Fig. 14).
  • a weight is added per connection in the connection process from one input node to the hidden layer, a total of h ⁇ w weights must be considered. Since there are h ⁇ w nodes in the input layer, a total of h 2 w 2 weights may be required between two adjacent layers.
  • the convolutional neural network of FIG. 14 has a problem in that the number of weights increases exponentially according to the number of connections, instead of considering the connection of all modes between adjacent layers, it is assumed that a filter with a small size exists.
  • a weighted sum and activation function operation may be performed on a portion where the filters overlap.
  • one filter has a weight corresponding to the number corresponding to its size, and learning of the weight can be performed so that a specific feature on the image can be extracted and output as a factor.
  • a 3 ⁇ 3 filter is applied to the upper left 3 ⁇ 3 region of the input layer, and an output value obtained by performing weighted sum and activation function operations on the corresponding node may be stored in z 22 .
  • the above-described filter may perform weighted sum and activation function calculations while moving horizontally and vertically at regular intervals while scanning the input layer, and the output value may be disposed at the current filter position. Since this operation method is similar to a convolution operation on an image in the field of computer vision, a deep neural network with such a structure is called a convolutional neural network (CNN), and the result of the convolution operation is The hidden layer may be referred to as a convolutional layer. Also, a neural network having a plurality of convolutional layers may be referred to as a deep convolutional neural network (DCNN).
  • DCNN deep convolutional neural network
  • the number of weights can be reduced by calculating the weighted sum by including only nodes located in the region covered by the filter in the node where the filter is currently located. Due to this, one filter can be used to focus on features for a local area. Accordingly, CNN can be effectively applied to image data processing in which physical distance on a two-dimensional domain is an important criterion. Meanwhile, in CNN, a plurality of filters may be applied immediately before the convolution layer, and a plurality of output results may be generated through the convolution operation of each filter.
  • a structure in which this method is applied to an artificial neural network can be called a recurrent neural network structure.
  • 16 is a diagram illustrating a neural network structure in which a cyclic loop applicable to the present disclosure exists.
  • 17 is a diagram illustrating an operation structure of a recurrent neural network applicable to the present disclosure.
  • a recurrent neural network is an element ⁇ x 1 (t) , x 2 (t) , . , x d (t) ⁇ in the process of input to the fully connected neural network
  • the immediately preceding time point t-1 is the hidden vector ⁇ z 1 (t-1) , z 2 (t-1) , ... , z H (t-1) ⁇ can be input together to have a structure in which a weighted sum and an activation function are applied.
  • the reason why the hidden vector is transferred to the next time in this way is because it is considered that information in the input vector at the previous time is accumulated in the hidden vector of the current time.
  • the recurrent neural network may operate in a predetermined time sequence with respect to an input data sequence.
  • the input vector ⁇ x 1 (t) , x 2 (t) , ... , x d (t) ⁇ when the hidden vector ⁇ z 1 (1) , z 2 (1) , ... , z H (1) ⁇ is the input vector ⁇ x 1 (2) , x 2 (2) , ... , x d (2) ⁇
  • the vector of the hidden layer ⁇ z 1 (2) , z 2 (2) , ... , z H (2) ⁇ is determined.
  • These processes are time point 2, time point 3, ... , iteratively until time point T.
  • a deep recurrent neural network when a plurality of hidden layers are arranged in a recurrent neural network, this is called a deep recurrent neural network (DRNN).
  • the recurrent neural network is designed to be usefully applied to sequence data (eg, natural language processing).
  • neural network core used as a learning method, in addition to DNN, CNN, and RNN, restricted Boltzmann machine (RBM), deep belief networks (DBN), deep Q-Network and It includes various deep learning techniques such as, and can be applied to fields such as computer vision, voice recognition, natural language processing, and voice/signal processing.
  • RBM restricted Boltzmann machine
  • DNN deep belief networks
  • Q-Network includes various deep learning techniques such as, and can be applied to fields such as computer vision, voice recognition, natural language processing, and voice/signal processing.
  • AI-based physical layer transmission means applying a signal processing and communication mechanism based on an AI driver rather than a traditional communication framework in a fundamental signal processing and communication mechanism. For example, deep learning-based channel coding and decoding, deep learning-based signal estimation and detection, deep learning-based MIMO mechanism, AI-based resource scheduling ( scheduling) and allocation may be included.
  • Wireless LAN may be used in combination with Wi-Fi (WIFI).
  • WIFI Wi-Fi
  • the base station may be used interchangeably with terms such as a network, a network, and a cellular network.
  • the terminal may handover from the WLAN to the base station.
  • the terminal may perform vertical handover from the WLAN to the serving base station.
  • the terminal may perform handover from the base station to the base station.
  • the terminal may perform horizontal handover from a serving base station to a target base station.
  • a terminal may be used as a concept including a wireless device related to a robot, IoT, and the like.
  • the terminal when the terminal performs handover or handoff, it should be considered in order for the terminal to receive a good service. That is, although the wireless communication standard has KPIs such as latency and reliability, a trade-off may occur, so an appropriate response may be required.
  • the terminal can communicate indoors or outdoors using Wi-Fi. However, the terminal may not be able to directly access a better base station due to environments such as many wireless devices and high-rise buildings.
  • many wireless devices may include other terminals, autonomous driving devices, IoT, and the like.
  • the terminal since the terminal does not handover from the base station to Wi-Fi based on the throughput, but does handover based on the strong signal of the access point (AP), it is returned to a good base station. It may take a long time to connect.
  • the terminal since the terminal performs handover based on the signal strength of the AP, it can receive a service with low QoS. In addition, since the terminal performs handover based on the signal strength of the AP, the terminal may frequently attempt to access the AP, and the terminal may frequently attempt handover. Accordingly, power consumption of the terminal may increase.
  • a robot or many IoT-related wireless devices may not receive an efficient service.
  • the Wi-Fi system does not manage services based on QoS, handover may not be performed even if there is a better base station or network.
  • the terminal searches for a strong Wi-Fi signal and accesses the strong Wi-Fi again even if the QoS is low.
  • the present disclosure proposes a method for a terminal to efficiently access a base station by using access information of other terminals.
  • the present disclosure proposes a method of increasing the efficiency of high-quality communication service, resource management of a base station, and terminal power consumption.
  • the present disclosure proposes a method in which a terminal can maintain a current service or receive a better service.
  • the present disclosure intends to solve the problem by using artificial intelligence so that the terminal can perform handover from a service point of view. That is, we propose a handover method between Wi-Fi and a base station of an AI-based terminal.
  • Wi-Fi signal when the Wi-Fi signal is -30 dBm, it may be a perfect signal for the terminal to perform communication. When the Wi-Fi signal is -50dBm, it may be an excellent signal for the terminal to perform communication. When the Wi-Fi signal is -60 dBm, it may be a good, reliable signal for the terminal to perform communication. When the Wi-Fi signal is -67 dBm, it may be a minimum requirement for the terminal to communicate with respect to voice and non-HD video. When the Wi-Fi signal is -70 dBm, it may be suitable when the terminal performs light browsing or writes an e-mail. When the Wi-Fi signal is -80dBm, the connection of the terminal may be unstable. If the Wi-Fi signal is -90dBm, the terminal may not be able to connect.
  • FIG. 20 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure. Specifically, FIG. 20 shows that the terminal 2002 receives handover-related information according to a service from the server 2004 after connecting to Wi-Fi.
  • the server may include an AP.
  • the terminal 2002 may transmit a probe request to the AP 2004 .
  • the terminal 2002 may receive a beacon and a frame response (beacon/probe response) from the AP 2004 .
  • the UE may transmit an authentication request to the AP.
  • the terminal may receive an authentication response (authenticate response) from the AP.
  • the UE may transmit an Associate request to the AP.
  • the terminal may receive an Associate response.
  • Associate response may include new message information.
  • New message information is AI ind, , ⁇ BS , ⁇ BS and QoS_info. Each information will be described later.
  • Such information may be information generated based on a result of joint learning by several terminals. That is, the terminal can efficiently access the base station by using the access information of other terminals.
  • the terminal may receive handover related information from the AP after connecting with the AP.
  • the handover-related information received by the UE from the AP may be a result of joint learning by several UEs.
  • the terminal may exchange data with the AP.
  • the terminal may connect to the server.
  • the server may include a base station. Accordingly, the terminal can connect to the base station.
  • the terminal 2102 may transmit a radio resource control request (RRC) to the base station 2104 (S2101).
  • the base station 2104 may transmit an RRC connection setup message to the terminal 2102 (S2103).
  • the terminal 2102 may transmit an RRC Connection Setup Complete message to the base station 2104 (S2105).
  • the terminal and the base station can be connected (S2107).
  • the terminal may receive a handover time from the server.
  • the terminal may receive new message information from the base station after connecting with the base station. New message information is AI ind, , ⁇ BS , ⁇ BS and QoS_info.
  • the terminal and the base station can exchange data (S2109).
  • FL Federated Learning
  • federated learning technology can solve important issues such as data privacy, data security, data access rights and heterogeneous data access.
  • Federated learning is performed in such a way that the terminal trains a local model for local data and information, the terminal transmits the parameters of the local model to the server so that the server can generate the global model, and the terminal receives the global model from the server can be
  • the server may be a concept including an AP and a base station, and hereafter, the AP, the base station, and the server may be used interchangeably.
  • the server 2208 may receive ⁇ 1 and ⁇ 1 from the terminal 1 2202 .
  • ⁇ 1 and ⁇ 1 may mean parameters of a beta distribution.
  • UE 1 2202 may generate ⁇ 1 and ⁇ 1 , which are parameters related to the handover learning model.
  • terminal 1 may update ⁇ 1 and ⁇ 1 can be created.
  • each terminal may also generate a handover learning model related parameter based on the same method and transmit it to the server.
  • the server may receive ⁇ 2 and ⁇ 2 from the terminal 2 2204 . Also, the server 2208 may receive ⁇ 3 and ⁇ 3 from the terminal 3 . Likewise, the server 2208 may receive ⁇ u and ⁇ u from the terminal U 2206 . That is, the server 2208 may receive handover learning model related parameter information of a plurality of terminals.
  • the server 2208 may receive QoS_info 1 from the terminal 1 2202 .
  • QoS_info 1- may mean QoS information related to UE 1.
  • Terminal 1 2202 may generate QoS_info 1 which is a handover learning model related parameter.
  • UE 1 may generate QoS_info 1 through an update based on handover learning model related parameter information received from the server.
  • Each terminal may also generate service information based on the same method and transmit it to the server.
  • the server may generate ⁇ BS , ⁇ BS and QoS_info BS based on the information received from the terminals.
  • ⁇ BS ⁇ BS
  • QoS_info BS Equation 1 is as follows.
  • U may mean the number of terminals that have provided handover-related parameter information.
  • ⁇ BS may mean an average of ⁇ of terminals received by the server.
  • ⁇ BS may mean an average of ⁇ of terminals received by the server.
  • QoS_info BS may mean an average of QoS_info of terminals received by the server.
  • the server may broadcast the generated ⁇ BS ⁇ BS and QoS_info BS to the terminals. Also, the server may broadcast AI Ind , which is information indicating whether the receiving terminal uses the learning model, to the terminals.
  • FIG. 23 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • FIG. 23 is a diagram illustrating an example of an operation procedure in which the UE performs joint learning and Tomsum sampling.
  • the server may include an access point (AP), a base station, and a 5G non-public network (NPN).
  • the NPN may be operated by an NPN operator and may rely on network functions provided by a Public Land Mobile Network (PLMN).
  • PLMN Public Land Mobile Network
  • the terminal may connect with the server (AP). That is, the terminal can connect to WIFI.
  • the server may transmit the global model to the terminal.
  • the AP may transmit the global model to the terminal.
  • the global model may include handover related information based on access information of a plurality of terminals.
  • the global model may include ⁇ BS , ⁇ BS and QoS_info BS of Equation 1 described above.
  • the global model may include AI ind .
  • the terminal may update the local model based on QoS.
  • the terminal may update the local model based on the global model received from the server.
  • the terminal may update the beta distribution based on its QoS.
  • the UE may select a maximum value among values randomly sampled from the beta distribution based on QoS. Specifically, the UE may randomly sample a beta distribution related to a time point to perform handover based on QoS. The UE may add a bias value among values randomly sampled from the beta distribution. Here, the terminal may select and add the lowest bias value. That is, the UE may give weight to the time point at which the handover is to be performed. The terminal may select a maximum value from values obtained by adding a bias to a value randomly sampled from a beta distribution. In this specification, the maximum value may be expressed as best_rx.
  • the terminal may check the received power and perform handover at the best_rx time.
  • the UE may perform vertical handover.
  • the terminal may perform handover from the AP to the base station.
  • the UE may perform handover from the AP to the NPN.
  • the UE may perform ⁇ +1 operation when ⁇ +1 is lowered when the service (QoS) is maintained or improved for a predetermined time after the handover.
  • the terminal may update the beta distribution, which is a local model for each service (QoS). That is, the terminal may update the beta distribution based on the service.
  • the terminal may transmit the local model to the server. That is, the terminal may transmit the updated beta distribution parameter information to the server.
  • the server (AP) may update the global model through the local model received from the terminal.
  • the terminal 2402 may transmit an Associate Request message to the AP 2404 .
  • the terminal 2402 may request new message information from the AP 2404 .
  • New message information is AI ind , ⁇ BS , ⁇ BS and QoS_info.
  • the AP 2404 may transmit an Associate response message to the terminal 2402 .
  • the AP may transmit new message information to the terminal.
  • the terminal may receive new message information and perform Thomson sampling. In Thomson sampling, the largest value among sampling values can be selected by applying accumulated ⁇ and ⁇ to the beta distribution. The following shows an equation related to Thomson sampling.
  • the accumulated ⁇ and ⁇ values received by the UE may not have applied the QoS of the UE.
  • the UE may apply and infer its own QoS to create new ⁇ and ⁇ values and update it with new Beta( ⁇ , ⁇ ). Based on the updated information in this way, the UE may randomly sample and select a maximum value among the values.
  • the terminal may add a bias value to the sampled value.
  • the UE may select a lower value among sampling values to add a bias value.
  • the terminal may select a maximum value from values obtained by adding a bias value to a sampling value.
  • the UE may perform handover based on the selected maximum value.
  • the terminal and the AP may exchange data.
  • the terminal may check the reception power and perform handover based on the selected maximum value. For example, the terminal may check the reception power and perform handover to the base station based on the selected maximum value.
  • the terminal may transmit an Attach request message to the base station and receive an Attach response message from the base station.
  • the terminal and the base station may send and receive data.
  • the terminal may update the message information. That is, the terminal is ⁇ , ⁇ and QoS_info.
  • the terminal may transmit the updated beta distribution parameter and QoS information to the base station.
  • FIG. 25 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure. Specifically, FIG. 25 is a diagram illustrating an example of an operation procedure in which the UE performs joint learning and Tomsum sampling.
  • the server may include an access point (AP), a base station, and a 5G non-public network (NPN).
  • the NPN may be operated by an NPN operator and may rely on network functions provided by a Public Land Mobile Network (PLMN).
  • PLMN Public Land Mobile Network
  • the terminal may connect to the server.
  • the terminal may connect to the base station. That is, the terminal may be connected to a cellular network.
  • the server may transmit the global model to the terminal.
  • the base station may transmit a global model to the terminal.
  • the global model may include handover related information based on access information of a plurality of terminals.
  • the global model may include ⁇ BS , ⁇ BS and QoS_info BS of Equation 1 described above.
  • the global model may include AI ind .
  • the terminal may update the local model based on QoS.
  • the terminal may update the local model based on the global model received from the server.
  • the terminal may update the beta distribution based on its QoS.
  • the terminal may select a maximum value among values randomly sampled from the beta distribution based on QoS.
  • the UE may randomly sample a beta distribution related to a time point to perform handover based on QoS.
  • the UE may add a bias value among values randomly sampled from the beta distribution.
  • the terminal may select and add the lowest bias value. That is, the UE may give weight to the time point at which the handover is to be performed.
  • the terminal may select a maximum value from values obtained by adding a bias to a value randomly sampled from a beta distribution. In this specification, the maximum value may be expressed as best_rx.
  • the terminal may check the received power and perform handover at the time of the maximum value (best_rx).
  • the UE may perform vertical handover.
  • the terminal may perform handover from the base station to the AP.
  • the terminal may perform handover from the base station to the NPN.
  • the UE may perform the ⁇ +1 operation when ⁇ +1 is lowered when the service (QoS) is maintained or improved for a predetermined time after the handover.
  • the terminal may update the beta distribution, which is a local model for each service (QoS). That is, the terminal may update the beta distribution based on the service.
  • the terminal may transmit the local model to the server. That is, the terminal may transmit the updated beta distribution parameter information to the server.
  • the base station may update the global model through the local model received from the terminal.
  • step S2601 the terminal 2602 and the base station 2604 may perform RRC connection.
  • step S2603 the connection between the terminal 2602 and the base station 2604 may be completed.
  • the terminal may receive new message information from the base station. New message information is AI ind , ⁇ BS , ⁇ BS and QoS_info.
  • the terminal may receive new message information and perform Thomson sampling. In Thomson sampling, the largest value among sampling values can be selected by applying accumulated ⁇ and ⁇ to the beta distribution. Thompson sampling may be expressed according to Equation 2 described above.
  • the accumulated ⁇ and ⁇ values received by the UE may not have applied the QoS of the UE.
  • the UE may apply and infer its own QoS to create new ⁇ and ⁇ values and update it with new Beta( ⁇ , ⁇ ). Based on the updated information in this way, the UE may randomly sample and select a maximum value among the values.
  • the terminal may add a bias value to the sampled value. As an example, the UE may select a lower value among sampling values to add a bias value. Also, the terminal may select a maximum value from values obtained by adding a bias value to a sampling value.
  • the UE may perform handover based on the selected maximum value.
  • the terminal and the base station may send and receive data.
  • the terminal may check the reception power and perform handover based on the selected maximum value. For example, the terminal may perform handover from the base station to the AP. The terminal may perform handover from the base station to the AP based on QoS.
  • the terminal may transmit a probe request message to the AP and receive a probe response message from the AP.
  • the terminal and the AP may send and receive data.
  • the terminal may update the message information. That is, the terminal is ⁇ , ⁇ and QoS_info.
  • the UE may transmit the updated beta distribution parameter and QoS information to the AP.
  • FIG. 27 is a diagram illustrating an example of an operation procedure of a terminal applicable to the present disclosure.
  • FIG. 27 is a diagram illustrating an example of an operation procedure in which the terminal performs joint learning and Tomsum sampling.
  • the server may include an access point (AP), a base station, and a 5G non-public network (NPN).
  • the NPN may be operated by an NPN operator and may rely on network functions provided by a Public Land Mobile Network (PLMN).
  • PLMN Public Land Mobile Network
  • the handover time may be set based on not only the reception power of the terminal, but also low throughput, packet loss, delay time, and the like. In addition, the handover time may be set by a combination of the above-mentioned factors.
  • the terminal may connect to the server.
  • the server may transmit the global model to the terminal.
  • the global model may include handover related information based on access information of a plurality of terminals.
  • the global model may include ⁇ BS , ⁇ BS and QoS_info BS of Equation 1 described above.
  • the global model may include AI ind .
  • the terminal may update the local model based on the QoS.
  • the terminal may update the local model based on the global model received from the server.
  • the terminal may update the beta distribution based on its QoS.
  • the terminal may select a maximum value among values randomly sampling the beta distribution based on QoS.
  • the UE may randomly sample a beta distribution related to a time point to perform handover based on QoS.
  • the UE may add a bias value among values randomly sampled from the beta distribution.
  • the terminal may select and add the lowest bias value. That is, the UE may give weight to the time point at which the handover is to be performed.
  • the terminal may select a maximum value from values obtained by adding a bias to a value randomly sampled from a beta distribution.
  • the terminal may check at least one of received power, low throughput, packet loss, and delay time, and may perform handover at the maximum value (best_rx) time.
  • the UE may perform vertical handover.
  • the terminal may perform handover from the base station to the AP.
  • the terminal may perform handover from the AP to the base station.
  • the terminal may perform handover from the base station to the NPN.
  • the terminal may perform handover from the NPN to the base station.
  • the UE may perform handover from the NPN to the AP.
  • the UE may perform handover from the AP to the NPN.
  • the terminal may also perform horizontal handover.
  • the UE may perform the ⁇ +1 operation when ⁇ +1 is lowered when the service (QoS) is maintained or improved for a predetermined time after the handover.
  • the terminal may update the beta distribution, which is a local model for each service (QoS). That is, the terminal may update the beta distribution based on the service.
  • the terminal may transmit the local model to the server. That is, the terminal may transmit the updated beta distribution parameter information to the server.
  • the server may update the global model through the local model received from the terminal.
  • the terminal may receive handover related information from the server.
  • the server may include an AP or a base station.
  • the handover-related information may include at least one or more first parameters and QoS information for the handover learning model.
  • the handover related information may include new message information.
  • New message information is AI ind, , ⁇ BS , ⁇ BS and QoS_info.
  • AI Ind may mean information indicating whether the terminal uses the learning model.
  • the UE may select whether to use the handover learning model based on the AI Ind value.
  • the terminal is in the AI Ind value Based on this, handover may be performed without using a handover learning model.
  • ⁇ BS and ⁇ BS may be a parameter generated by the server based on access information of a plurality of terminals. This can be expressed as Equation 1 above.
  • QoS_info- may refer to information that multiple terminals access the server based on QoS.
  • the terminal may update at least one first parameter related to handover to a second parameter through the handover learning model.
  • the accumulated ⁇ and ⁇ values received by the UE may not apply the QoS of the UE.
  • the UE may apply and infer its own QoS to create new ⁇ and ⁇ values and update it with new Beta( ⁇ , ⁇ ).
  • the UE may randomly sample and select a maximum value among the values.
  • the terminal may add a bias value to the sampled value.
  • the UE may select a lower value among sampling values to add a bias value.
  • the terminal may select a maximum value from values obtained by adding a bias value to a sampling value.
  • the terminal may perform handover based on the updated at least one or more second parameters.
  • the terminal may perform handover based on the selected maximum value. That is, the UE may perform vertical handover based on QoS.
  • the terminal may perform handover from the base station to the AP based on QoS.
  • the terminal may perform handover from the AP to the base station based on QoS.
  • the terminal may perform horizontal handover based on QoS.
  • the terminal may check at least one of received power, low throughput, packet loss, and delay time and perform handover at a time based on the selected maximum value.
  • the service QoS
  • ⁇ +1 lowered
  • the UE can perform ⁇ +1 operation.
  • the UE may update the beta distribution for each QoS.
  • the terminal may transmit the updated second parameter information to the server.
  • FIG. 29 is a diagram illustrating an example of an operation procedure of a base station applicable to the present disclosure.
  • Federated learning is performed in such a way that the terminal trains a local model for local data and information, the terminal transmits the parameters of the local model to the server so that the server can generate the global model, and the terminal receives the global model from the server can be
  • the base station may perform federated learning by receiving and updating handover-related information of each terminal from several terminals.
  • the AP and the non-base station may also perform the operation procedures of FIG. 29 .
  • the base station may receive handover related information of each terminal from a plurality of terminals.
  • the handover-related information may include at least one or more first parameters for the handover learning model and quality of service (QoS) information.
  • handover-related information is ⁇ , ⁇ of each terminal. and QoS_info.
  • ⁇ and ⁇ may be a beta distribution parameter, as described above.
  • ⁇ and ⁇ may be a first parameter for the handover learning model and may mean a local model of each terminal.
  • the QoS information may mean service information of each terminal.
  • the base station may generate at least one second parameter for the handover learning model and QoS information based on the handover related information received from the plurality of terminals.
  • the base station may generate new message information based on handover related information received from a plurality of terminals.
  • New message information is AI ind, , ⁇ BS , ⁇ BS and QoS_info.
  • Each new message information is as described above.
  • the second parameter is ⁇ BS and It may mean ⁇ BS and is the same as described above.
  • QoS_info may mean QoS information generated by the base station based on federated learning.
  • the base station may transmit the generated second parameter and QoS information to the terminal.
  • the base station may transmit the second parameter and QoS information generated as handover related information to the terminal.
  • the base station may transmit the handover-related information by including AI ind .
  • the base station may indicate whether the terminal uses the handover learning model based on AI ind .
  • examples of the above-described proposed method may also be included as one of the implementation methods of the present disclosure, it is clear that they may be regarded as a kind of proposed method.
  • the above-described proposed methods may be implemented independently, or may be implemented in the form of a combination (or merge) of some of the proposed methods.
  • Rules may be defined so that the base station informs the terminal of whether the proposed methods are applied or not (or information on the rules of the proposed methods) through a predefined signal (eg, a physical layer signal or a higher layer signal) to the terminal. .
  • Embodiments of the present disclosure may be applied to various wireless access systems.
  • various radio access systems there is a 3rd Generation Partnership Project (3GPP) or a 3GPP2 system.
  • 3GPP 3rd Generation Partnership Project
  • 3GPP2 3rd Generation Partnership Project2
  • Embodiments of the present disclosure may be applied not only to the various radio access systems, but also to all technical fields to which the various radio access systems are applied. Furthermore, the proposed method can be applied to mmWave and THz communication systems using very high frequency bands.
  • embodiments of the present disclosure may be applied to various applications such as free-running vehicles and drones.

Abstract

본 개시는 무선 통신 시스템에서 단말 및 서버의 동작 방법 및 이를 지원하는 장치를 개시한다. 본 개시의 일 예로서, AP(access point)로부터 핸드오버 관련 정보를 수신하는 단계, 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함하고, 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하는 단계, 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하는 단계를 포함할 수 있다.

Description

무선 통신 시스템에서 핸드오버를 위한 장치 및 방법
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 핸드오버(handover)를 위한 장치 및 방법에 관한 것이다.
무선 접속 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선 접속 시스템은 가용한 시스템 자원(대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템 등이 있다.
특히, 많은 통신 기기들이 큰 통신 용량을 요구하게 됨에 따라 기존 RAT(radio access technology)에 비해 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB) 통신 기술이 제안되고 있다. 또한 다수의 기기 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 mMTC(massive machine type communications) 뿐만 아니라 신뢰성 (reliability) 및 지연(latency) 민감한 서비스/UE(user equipment)를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법을 제공할 수 있다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시 예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말의 동작 방법이 개시될 수 있다. 구체적으로, 단말은 AP(access point)로부터 핸드오버 관련 정보를 수신하는 단계를 포함할 수 있다. 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함할 수 있다. 단말은 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하는 단계 및 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하는 단계를 포함할 수 있다. 여기서, 상기 핸드오버는 AP로부터 기지국으로 연결을 변경하는 핸드오버일 수 있다. 또한, 단말이 상기 제2 파라미터를 기지국에게 전송하는 단계를 포함할 수 있다. 또한, 상기 핸드오버 관련 정보는 상기 단말이 상기 핸드오버 학습 모델 사용 여부 지시 정보를 포함할 수 있다. 또한, 상기 핸드오버 학습 모델은 베타 분포에 기초하여 학습하는 모델이고, 상기 단말은 상기 베타 분포에서 랜덤(random)하게 샘플링(sampling)한 값 및 바이어스(bias) 값에 기초하여 핸드오버를 수행할 수 있다. 또한, 상기 바이어스 값은 샘플링한 값 중 낮은 값을 선택하는 값이고, 단말은 상기 샘플링한 값에 상기 바이어스 값을 더한 값 중 최대 값을 선택할 수 있다. 또한, 상기 단말은 수신 전력을 확인하고 상기 최대 값에 기초하여 핸드오버를 수행할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말이 개시될 수 있다. 단말은 송수신기 및 상기 송수신기와 연결된 프로세서를 포함할 수 있다. 상기 프로세서는 상기 송수신기가 AP(access point)로부터 핸드오버 관련 정보를 수신하도록 제어할 수 있다. 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함할 수 있다. 상기 프로세서는 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하고, 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행할 수 있다. 상기 핸드오버는 AP로부터 기지국으로 연결을 변경하는 핸드오버일 수 있다. 상기 프로세서는 상기 송수신기가 상기 제2 파라미터를 기지국에게 전송하도록 제어할 수 있다. 또한, 상기 핸드오버 관련 정보는 상기 단말이 상기 핸드오버 학습 모델 사용 여부 지시 정보를 포함할 수 있다. 상기 핸드오버 학습 모델은 베타 분포에 기초하여 학습하는 모델이고, 상기 프로세서는 상기 베타 분포에서 랜덤(random)하게 샘플링(sampling)한 값 및 바이어스(bias) 값에 기초하여 핸드오버를 수행할 수 있다. 또한, 상기 바이어스 값은 샘플링한 값 중 낮은 값을 선택하는 값일 수 있다. 또한, 상기 프로세서는 상기 샘플링한 값에 상기 바이어스 값을 더한 값 중 최대 값을 선택할 수 있다. 또한, 상기 프로세서는 수신 전력을 확인하고 상기 최대 값에 기초하여 핸드오버를 수행할 수 있다.
본 개시의 일 예로써, 적어도 하나의 메모리 및 상기 적어도 하나의 메모리들과 기능적으로 연결되어 있는 적어도 하나의 프로세서를 포함하는 장치가 개시될 수 있다. 상기 적어도 하나의 프로세서는 상기 장치가 AP(access point)로부터 핸드오버 관련 정보를 수신하도록 제어할 수 있다. 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함할 수 있다. 상기 적어도 하나의 프로세서는 상기 장치가 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하도록 제어할 수 있다. 상기 적어도 하나의 프로세서는 상기 장치가 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하도록 제어할 수 있다.
본 개시의 일 예로써, 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)가 개시될 수 있다. 컴퓨터 판독 가능 매체는 프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며, 상기 적어도 하나의 명령어는 상기 컴퓨터 판독 가능 매체가 AP(access point)로부터 핸드오버 관련 정보를 수신하도록 지시할 수 있다. 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함할 수 있다.
상기 적어도 하나의 명령어는 상기 컴퓨터 판독 가능 매체가 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하도록 지시할 수 있다.
상기 적어도 하나의 명령어는 상기 컴퓨터 판독 가능 매체가가 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하도록 지시할 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시 예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 따르면, 단말이 와이파이(WIFI) 및 기지국 간 효율적인 핸드오버를 수행하 수 있다.
본 개시의 실시 예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시 예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시 예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시에 적용 가능한 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예시를 나타낸 도면이다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예시를 나타낸 도면이다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 7은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 나타낸 도면이다.
도 8은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 나타낸 도면이다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 나타낸 도면이다.
도 10은 본 개시에 적용 가능한 THz 통신 방법을 나타낸 도면이다.
도 11은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 나타낸 도면이다.
도 12는 본 개시에 적용 가능한 인공 신경망 구조를 나타낸 도면이다.
도 13은 본 개시에 적용 가능한 심층 신경망을 나타낸 도면이다.
도 14는 본 개시에 적용 가능한 컨볼루션 신경망을 나타낸 도면이다.
도 15는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 나타낸 도면이다.
도 16은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 나타낸 도면이다.
도 17은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 나타낸 도면이다.
도 18은 무선랜(wireless local area network, WLAN) 및 기지국 간 핸드오버를 나타낸 도면이다.
도 19는 와이파이 신호 세기에 따른 서비스를 나타낸 도면이다.
도 20은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다.
도 21은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다.
도 22는 본 개시에 적용 가능한 연합 학습의 일 예를 나타낸 도면이다.
도 23은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다.
도 24는 본 개시에 적용 가능한 핸드오버 동작 절차의 일 예를 나타낸 도면이다.
도 25는 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다.
도 26은 본 개시에 적용 가능한 단말 동작 절차의 일 예를 나타낸 도면이다.
도 27은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다.
도 28은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다.
도 29는 본 개시에 적용 가능한 기지국의 동작 절차의 일 예를 나타낸 도면이다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시 예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침 될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
하기에서는 이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(e.g.(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
본 개시에 적용 가능한 통신 시스템
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 기기들 간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예시를 도시한 도면이다.
도 1을 참조하면, 본 개시에 적용되는 통신 시스템(100)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR, LTE)을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 기기(100c), 휴대 기기(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 기기(100f), AI(artificial intelligence) 기기/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예, 드론)를 포함할 수 있다. XR 기기(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 기기를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기(100d)는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(120a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.
무선 기기(100a~100f)는 기지국(120)을 통해 네트워크(130)와 연결될 수 있다. 무선 기기(100a~100f)에는 AI 기술이 적용될 수 있으며, 무선 기기(100a~100f)는 네트워크(130)를 통해 AI 서버(100g)와 연결될 수 있다. 네트워크(130)는 3G 네트워크, 4G(예, LTE) 네트워크 또는 5G(예, NR) 네트워크 등을 이용하여 구성될 수 있다. 무선 기기(100a~100f)는 기지국(120)/네트워크(130)를 통해 서로 통신할 수도 있지만, 기지국(120)/네트워크(130)를 통하지 않고 직접 통신(예, 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(예, V2V(vehicle to vehicle)/V2X(vehicle to everything) communication)을 할 수 있다. 또한, IoT 기기(100f)(예, 센서)는 다른 IoT 기기(예, 센서) 또는 다른 무선 기기(100a~100f)와 직접 통신을 할 수 있다.
무선 기기(100a~100f)/기지국(120), 기지국(120)/기지국(120) 간에는 무선 통신/연결(150a, 150b, 150c)이 이뤄질 수 있다. 여기서, 무선 통신/연결은 상향/하향링크 통신(150a)과 사이드링크 통신(150b)(또는, D2D 통신), 기지국간 통신(150c)(예, relay, IAB(integrated access backhaul))과 같은 다양한 무선 접속 기술(예, 5G NR)을 통해 이뤄질 수 있다. 무선 통신/연결(150a, 150b, 150c)을 통해 무선 기기와 기지국/무선 기기, 기지국과 기지국은 서로 무선 신호를 송신/수신할 수 있다. 예를 들어, 무선 통신/연결(150a, 150b, 150c)은 다양한 물리 채널을 통해 신호를 송신/수신할 수 있다. 이를 위해, 본 개시의 다양한 제안들에 기반하여, 무선 신호의 송신/수신을 위한 다양한 구성정보 설정 과정, 다양한 신호 처리 과정(예, 채널 인코딩/디코딩, 변조/복조, 자원 매핑/디매핑 등), 자원 할당 과정 등 중 적어도 일부가 수행될 수 있다.
본 개시에 적용 가능한 통신 시스템
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 2를 참조하면, 제1 무선 기기(200a)와 제2 무선 기기(200b)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(200a), 제2 무선 기기(200b)}은 도 1의 {무선 기기(100x), 기지국(120)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.
제1 무선 기기(200a)는 하나 이상의 프로세서(202a) 및 하나 이상의 메모리(204a)를 포함하며, 추가적으로 하나 이상의 송수신기(206a) 및/또는 하나 이상의 안테나(208a)을 더 포함할 수 있다. 프로세서(202a)는 메모리(204a) 및/또는 송수신기(206a)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202a)는 메모리(204a) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206a)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202a)는 송수신기(206a)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204a)에 저장할 수 있다. 메모리(204a)는 프로세서(202a)와 연결될 수 있고, 프로세서(202a)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204a)는 프로세서(202a)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202a)와 메모리(204a)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206a)는 프로세서(202a)와 연결될 수 있고, 하나 이상의 안테나(208a)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206a)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206a)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200b)는 하나 이상의 프로세서(202b), 하나 이상의 메모리(204b)를 포함하며, 추가적으로 하나 이상의 송수신기(206b) 및/또는 하나 이상의 안테나(208b)를 더 포함할 수 있다. 프로세서(202b)는 메모리(204b) 및/또는 송수신기(206b)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202b)는 메모리(204b) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206b)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202b)는 송수신기(206b)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204b)에 저장할 수 있다. 메모리(204b)는 프로세서(202b)와 연결될 수 있고, 프로세서(202b)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204b)는 프로세서(202b)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202b)와 메모리(204b)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206b)는 프로세서(202b)와 연결될 수 있고, 하나 이상의 안테나(208b)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206b)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206b)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 기기(200a, 200b)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(202a, 202b)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 계층(예, PHY(physical), MAC(media access control), RLC(radio link control), PDCP(packet data convergence protocol), RRC(radio resource control), SDAP(service data adaptation protocol)와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 하나 이상의 PDU(Protocol Data Unit) 및/또는 하나 이상의 SDU(service data unit)를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(206a, 206b)에게 제공할 수 있다. 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)로부터 신호(예, 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
하나 이상의 프로세서(202a, 202b)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(202a, 202b)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 하나 이상의 ASIC(application specific integrated circuit), 하나 이상의 DSP(digital signal processor), 하나 이상의 DSPD(digital signal processing device), 하나 이상의 PLD(programmable logic device) 또는 하나 이상의 FPGA(field programmable gate arrays)가 하나 이상의 프로세서(202a, 202b)에 포함될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(202a, 202b)에 포함되거나, 하나 이상의 메모리(204a, 204b)에 저장되어 하나 이상의 프로세서(202a, 202b)에 의해 구동될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.
하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(204a, 204b)는 ROM(read only memory), RAM(random access memory), EPROM(erasable programmable read only memory), 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(204a, 204b)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(202a, 202b)와 연결될 수 있다.
하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치로부터 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)와 연결될 수 있고, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)를 통해 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예, 안테나 포트)일 수 있다. 하나 이상의 송수신기(206a, 206b)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(202a, 202b)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(206a, 206b)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
본 개시에 적용 가능한 무선 기기 구조
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 3을 참조하면, 무선 기기(300)는 도 2의 무선 기기(200a, 200b)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(300)는 통신부(310), 제어부(320), 메모리부(330) 및 추가 요소(340)를 포함할 수 있다. 통신부는 통신 회로(312) 및 송수신기(들)(314)을 포함할 수 있다. 예를 들어, 통신 회로(312)는 도 2의 하나 이상의 프로세서(202a, 202b) 및/또는 하나 이상의 메모리(204a, 204b)를 포함할 수 있다. 예를 들어, 송수신기(들)(314)는 도 2의 하나 이상의 송수신기(206a, 206b) 및/또는 하나 이상의 안테나(208a, 208b)을 포함할 수 있다. 제어부(320)는 통신부(310), 메모리부(330) 및 추가 요소(340)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(320)는 메모리부(330)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(320)는 메모리부(330)에 저장된 정보를 통신부(310)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(310)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(330)에 저장할 수 있다.
추가 요소(340)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(340)는 파워 유닛/배터리, 입출력부(input/output unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기(300)는 로봇(도 1, 100a), 차량(도 1, 100b-1, 100b-2), XR 기기(도 1, 100c), 휴대 기기(도 1, 100d), 가전(도 1, 100e), IoT 기기(도 1, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 1, 140), 기지국(도 1, 120), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.
도 3에서 무선 기기(300) 내의 다양한 요소, 성분, 유닛/부, 및/또는 모듈은 전체가 유선 인터페이스를 통해 상호 연결되거나, 적어도 일부가 통신부(310)를 통해 무선으로 연결될 수 있다. 예를 들어, 무선 기기(300) 내에서 제어부(320)와 통신부(310)는 유선으로 연결되며, 제어부(320)와 제1 유닛(예, 130, 140)은 통신부(310)를 통해 무선으로 연결될 수 있다. 또한, 무선 기기(300) 내의 각 요소, 성분, 유닛/부, 및/또는 모듈은 하나 이상의 요소를 더 포함할 수 있다. 예를 들어, 제어부(320)는 하나 이상의 프로세서 집합으로 구성될 수 있다. 예를 들어, 제어부(320)는 통신 제어 프로세서, 어플리케이션 프로세서(application processor), ECU(electronic control unit), 그래픽 처리 프로세서, 메모리 제어 프로세서 등의 집합으로 구성될 수 있다. 다른 예로, 메모리부(330)는 RAM, DRAM(dynamic RAM), ROM, 플래시 메모리(flash memory), 휘발성 메모리(volatile memory), 비-휘발성 메모리(non-volatile memory) 및/또는 이들의 조합으로 구성될 수 있다.
본 개시가 적용 가능한 휴대 기기
도 4는 본 개시에 적용되는 휴대 기기의 예시를 도시한 도면이다.
도 4는 본 개시에 적용되는 휴대 기기를 예시한다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트 워치, 스마트 글래스), 휴대용 컴퓨터(예, 노트북 등)을 포함할 수 있다. 휴대 기기는 MS(mobile station), UT(user terminal), MSS(mobile subscriber station), SS(subscriber station), AMS(advanced mobile station) 또는 WT(wireless terminal)로 지칭될 수 있다.
도 4를 참조하면, 휴대 기기(400)는 안테나부(408), 통신부(410), 제어부(420), 메모리부(430), 전원공급부(440a), 인터페이스부(440b) 및 입출력부(440c)를 포함할 수 있다. 안테나부(408)는 통신부(410)의 일부로 구성될 수 있다. 블록 410~430/440a~440c는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(410)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(420)는 휴대 기기(400)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(420)는 AP(application processor)를 포함할 수 있다. 메모리부(430)는 휴대 기기(400)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(430)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(440a)는 휴대 기기(400)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(440b)는 휴대 기기(400)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(440b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(440c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(440c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(440d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
일 예로, 데이터 통신의 경우, 입출력부(440c)는 사용자로부터 입력된 정보/신호(예, 터치, 문자, 음성, 이미지, 비디오)를 획득하며, 획득된 정보/신호는 메모리부(430)에 저장될 수 있다. 통신부(410)는 메모리에 저장된 정보/신호를 무선 신호로 변환하고, 변환된 무선 신호를 다른 무선 기기에게 직접 전송하거나 기지국에게 전송할 수 있다. 또한, 통신부(410)는 다른 무선 기기 또는 기지국으로부터 무선 신호를 수신한 뒤, 수신된 무선 신호를 원래의 정보/신호로 복원할 수 있다. 복원된 정보/신호는 메모리부(430)에 저장된 뒤, 입출력부(440c)를 통해 다양한 형태(예, 문자, 음성, 이미지, 비디오, 햅틱)로 출력될 수 있다.
본 개시가 적용 가능한 무선 기기 종류
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량의 예시를 도시한 도면이다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(aerial vehicle, AV), 선박 등으로 구현될 수 있으며, 차량의 형태로 한정되는 것은 아니다.
도 5를 참조하면, 차량 또는 자율 주행 차량(500)은 안테나부(508), 통신부(510), 제어부(520), 구동부(540a), 전원공급부(540b), 센서부(540c) 및 자율 주행부(540d)를 포함할 수 있다. 안테나부(550)는 통신부(510)의 일부로 구성될 수 있다. 블록 510/530/540a~540d는 각각 도 4의 블록 410/430/440에 대응한다.
통신부(510)는 다른 차량, 기지국(예, 기지국, 노변 기지국(road side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(520)는 차량 또는 자율 주행 차량(500)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(520)는 ECU(electronic control unit)를 포함할 수 있다.
도 6은 본 개시에 적용되는 AI 기기의 예시를 도시한 도면이다. 일 예로, AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 6을 참조하면, AI 기기(600)는 통신부(610), 제어부(620), 메모리부(630), 입/출력부(640a/640b), 러닝 프로세서부(640c) 및 센서부(640d)를 포함할 수 있다. 블록 610~630/640a~640d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(610)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 1, 100x, 120, 140)나 AI 서버(도 1, 140) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(610)는 메모리부(630) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(630)로 전달할 수 있다.
제어부(620)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(600)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(620)는 AI 기기(600)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(620)는 러닝 프로세서부(640c) 또는 메모리부(630)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(600)의 구성 요소들을 제어할 수 있다. 또한, 제어부(620)는 AI 장치(600)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(630) 또는 러닝 프로세서부(640c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(630)는 AI 기기(600)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(630)는 입력부(640a)로부터 얻은 데이터, 통신부(610)로부터 얻은 데이터, 러닝 프로세서부(640c)의 출력 데이터, 및 센싱부(640)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(630)는 제어부(620)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(640a)는 AI 기기(600)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(620)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(640a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(640b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(640b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(640)는 다양한 센서들을 이용하여 AI 기기(600)의 내부 정보, AI 기기(600)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(640)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.
러닝 프로세서부(640c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(640c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(640c)는 통신부(610)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(630)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(640c)의 출력 값은 통신부(610)를 통해 외부 기기로 전송되거나/되고, 메모리부(630)에 저장될 수 있다.
도 7은 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한 도면이다. 일 예로, 전송 신호는 신호 처리 회로에 의해 처리될 수 있다. 이때, 신호 처리 회로(700)는 스크램블러(710), 변조기(720), 레이어 매퍼(730), 프리코더(740), 자원 매퍼(750), 신호 생성기(760)를 포함할 수 있다. 이때, 일 예로, 도 7의 동작/기능은 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 수행될 수 있다. 또한, 일 예로, 도 7의 하드웨어 요소는 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 구현될 수 있다. 일 예로, 블록 710~760은 도 2의 프로세서(202a, 202b)에서 구현될 수 있다. 또한, 블록 710~750은 도 2의 프로세서(202a, 202b)에서 구현되고, 블록 760은 도 2의 송수신기(206a, 206b)에서 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
코드워드는 도 7의 신호 처리 회로(700)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예, UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다. 구체적으로, 코드워드는 스크램블러(710)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 스크램블에 사용되는 스크램블 시퀀스는 초기화 값에 기반하여 생성되며, 초기화 값은 무선 기기의 ID 정보 등이 포함될 수 있다. 스크램블된 비트 시퀀스는 변조기(720)에 의해 변조 심볼 시퀀스로 변조될 수 있다. 변조 방식은 pi/2-BPSK(pi/2-binary phase shift keying), m-PSK(m-phase shift keying), m-QAM(m-quadrature amplitude modulation) 등을 포함할 수 있다.
복소 변조 심볼 시퀀스는 레이어 매퍼(730)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(740)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(740)의 출력 z는 레이어 매퍼(730)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(740)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(740)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(750)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다. 시간-주파수 자원은 시간 도메인에서 복수의 심볼(예, CP-OFDMA 심볼, DFT-s-OFDMA 심볼)을 포함하고, 주파수 도메인에서 복수의 부반송파를 포함할 수 있다. 신호 생성기(760)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(760)는 IFFT(inverse fast fourier transform) 모듈 및 CP(cyclic prefix) 삽입기, DAC(digital-to-analog converter), 주파수 상향 변환기(frequency uplink converter) 등을 포함할 수 있다.
무선 기기에서 수신 신호를 위한 신호 처리 과정은 도 7의 신호 처리 과정(710~760)의 역으로 구성될 수 있다. 일 예로, 무선 기기(예, 도 2의 200a, 200b)는 안테나 포트/송수신기를 통해 외부로부터 무선 신호를 수신할 수 있다. 수신된 무선 신호는 신호 복원기를 통해 베이스밴드 신호로 변환될 수 있다. 이를 위해, 신호 복원기는 주파수 하향 변환기(frequency downlink converter), ADC(analog-to-digital converter), CP 제거기, FFT(fast fourier transform) 모듈을 포함할 수 있다. 이후, 베이스밴드 신호는 자원 디-매퍼 과정, 포스트코딩(postcoding) 과정, 복조 과정 및 디-스크램블 과정을 거쳐 코드워드로 복원될 수 있다. 코드워드는 복호(decoding)를 거쳐 원래의 정보블록으로 복원될 수 있다. 따라서, 수신 신호를 위한 신호 처리 회로(미도시)는 신호 복원기, 자원 디-매퍼, 포스트코더, 복조기, 디-스크램블러 및 복호기를 포함할 수 있다.
6G 통신 시스템
6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 "intelligent connectivity", "deep connectivity", "holographic connectivity", "ubiquitous connectivity"와 같은 4가지 측면일 수 있으며, 6G 시스템은 하기 표 1과 같은 요구 사항을 만족시킬 수 있다. 즉, 표 1은 6G 시스템의 요구 사항을 나타낸 표이다.
Per device peak data rate 1 Tbps
E2E latency 1 ms
Maximum spectral efficiency 100 bps/Hz
Mobility support up to 1000 km/hr
Satellite integration Fully
AI Fully
Autonomous vehicle Fully
XR Fully
Haptic Communication Fully
이때, 6G 시스템은 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB), 초-저지연 통신(ultra-reliable low latency communications, URLLC), mMTC (massive machine type communications), AI 통합 통신(AI integrated communication), 촉각 인터넷(tactile internet), 높은 스루풋(high throughput), 높은 네트워크 능력(high network capacity), 높은 에너지 효율(high energy efficiency), 낮은 백홀 및 접근 네트워크 혼잡(low backhaul and access network congestion) 및 향상된 데이터 보안(enhanced data security)과 같은 핵심 요소(key factor)들을 가질 수 있다.
도 8은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한 도면이다.
도 8을 참조하면, 6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 핵심 요소(key feature)인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것으로 예상된다. 이때, 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 수 있다.
6G 시스템의 핵심 구현 기술
- 인공 지능(artificial Intelligence, AI)
6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.
핸드 오버, 네트워크 선택, 자원 스케줄링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(brain computer interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.
최근 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer) 특히, 딥 러닝은 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층으로 발전하고 있으며, 특히 물리계층에서 딥 러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥 러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소(complex) 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.
이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.
머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어 내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.
신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.
지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다
데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.
러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.
학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural networks, DNN), 합성곱 신경망(convolutional deep neural networks, CNN), 순환 신경망(recurrent boltzmann machine, RNN) 방식이 있으며, 이러한 러닝 모델이 적용될 수 있다.
THz(Terahertz) 통신
6G 시스템에서 THz 통신이 적용될 수 있다. 일 예로, 데이터 전송률은 대역폭을 늘려 높일 수 있다. 이것은 넓은 대역폭으로 sub-THz 통신을 사용하고, 진보된 대규모 MIMO 기술을 적용하여 수행될 수 있다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 도시한 도면이다. 일 예로, 도 9를 참조하면, 밀리미터 이하의 방사선으로도 알려진 THz파는 일반적으로 0.03mm-3mm 범위의 해당 파장을 가진 0.1THz와 10THz 사이의 주파수 대역을 나타낸다. 100GHz-300GHz 대역 범위(Sub THz 대역)는 셀룰러 통신을 위한 THz 대역의 주요 부분으로 간주된다. Sub-THz 대역 mmWave 대역에 추가하면 6G 셀룰러 통신 용량은 늘어난다. 정의된 THz 대역 중 300GHz-3THz는 원적외선 (IR) 주파수 대역에 있다. 300GHz-3THz 대역은 광 대역의 일부이지만 광 대역의 경계에 있으며, RF 대역 바로 뒤에 있다. 따라서, 이 300 GHz-3 THz 대역은 RF와 유사성을 나타낸다.
THz 통신의 주요 특성은 (i) 매우 높은 데이터 전송률을 지원하기 위해 광범위하게 사용 가능한 대역폭, (ii) 고주파에서 발생하는 높은 경로 손실 (고 지향성 안테나는 필수 불가결)을 포함한다. 높은 지향성 안테나에서 생성된 좁은 빔 폭은 간섭을 줄인다. THz 신호의 작은 파장은 훨씬 더 많은 수의 안테나 소자가 이 대역에서 동작하는 장치 및 BS에 통합될 수 있게 한다. 이를 통해 범위 제한을 극복할 수 있는 고급 적응형 배열 기술을 사용할 수 있다.
테라헤르츠(THz) 무선통신
도 10은 본 개시에 적용 가능한 THz 통신 방법을 도시한 도면이다.
도 10을 참조하면, THz 무선통신은 대략 0.1~10THz(1THz=1012Hz)의 진동수를 가지는 THz파를 이용하여 무선통신을 이용하는 것으로, 100GHz 이상의 매우 높은 캐리어 주파수를 사용하는 테라헤르츠(THz) 대역 무선통신을 의미할 수 있다. THz파는 RF(Radio Frequency)/밀리미터(mm)와 적외선 대역 사이에 위치하며, (i) 가시광/적외선에 비해 비금속/비분극성 물질을 잘 투과하며 RF/밀리미터파에 비해 파장이 짧아 높은 직진성을 가지며 빔 집속이 가능할 수 있다.
인공 지능(Artificial Intelligence) 시스템
도 11은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 나타낸 도면이다. 또한, 도 12는 본 개시에 적용 가능한 인공 신경망 구조를 나타낸 도면이다.
상술한 바와 같이, 6G 시스템에서 인공 지능 시스템이 적용될 수 있다. 이때, 일 예로, 인공 지능 시스템은 인간의 뇌에 해당하는 러닝 모델에 기초하여 동작할 수 있으며, 이는 상술한 바와 같다. 이때, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한, 학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional deep neural network, CNN), 순환 신경망(recurrent neural network, RNN) 방식이 있다. 이때, 일 예로, 도 11을 참조하면, 인공 신경망은 여러 개의 퍼셉트론들로 구성될 수 있다. 이때, 입력 벡터 x={x1, x2, …, xd}가 입력되면, 각 성분에 가중치 {W1, W2, …, Wd}가 곱해지고, 그 결과를 모두 합산한 후, 활성함수 σ(·)를 적용하는 전체 과정은 퍼셉트론이라 불리울 수 있다. 거대한 인공 신경망 구조는 도 11에 도시한 단순화된 퍼셉트론 구조를 확장하면, 입력벡터는 서로 다른 다 차원의 퍼셉트론에 적용될 수 있다. 설명의 편의를 위해 입력값 또는 출력값을 노드(node)라 칭한다.
한편, 도 11에 도시된 퍼셉트론 구조는 입력값, 출력값을 기준으로 총 3개의 층(layer)로 구성되는 것으로 설명될 수 있다. 1st layer와 2nd layer 사이에는 (d+1) 차원의 퍼셉트론 H개, 2nd layer와 3rd layer 사이에는 (H+1)차원 퍼셉트론이 K 개 존재하는 인공 신경망은 도 12와 같이 표현될 수 있다.
이때, 입력벡터가 위치하는 층을 입력층(input layer), 최종 출력값이 위치하는 층을 출력층(output layer), 입력층과 출력층 사이에 위치하는 모든 층을 은닉층(hidden layer)라 한다. 일 예로, 도 12에서 3개의 층이 개시되나, 실제 인공 신경망 층의 개수를 카운트할 때는 입력층을 제외하고 카운트하므로, 도 12에 예시된 인공 신경망은 총 2개의 층으로 이해될 수 있다. 인공 신경망은 기본 블록의 퍼셉트론을 2차원적으로 연결되어 구성된다.
전술한 입력층, 은닉층, 출력층은 다층 퍼셉트론 뿐 아니라 후술할 CNN, RNN 등 다양한 인공 신경망 구조에서 공동적으로 적용될 수 있다. 은닉층의 개수가 많아질수록 인공 신경망이 깊어진 것이며, 충분히 깊어진 인공 신경망을 러닝모델로 사용하는 머신러닝 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한 딥러닝을 위해 사용하는 인공 신경망을 심층 신경망(deep neural network, DNN)이라 할 수 있다.
도 13은 본 개시에 적용 가능한 심층 신경망을 나타낸 도면이다.
도 13을 참조하면, 심층 신경망은 은닉층+출력층이 8개로 구성된 다층 퍼셉트론일 수 있다. 이때, 다층 퍼셉트론 구조를 완전 연결 신경망(fully-connected neural network)이라 표현할 수 있다. 완전 연결 신경망은 서로 같은 층에 위치하는 노드 간에는 연결 관계가 존재하지 않으며, 인접한 층에 위치한 노드들 간에만 연결 관계가 존재할 수 있다. DNN은 완전 연결 신경망 구조를 가지고 다수의 은닉층과 활성함수들의 조합으로 구성되어 입력과 출력 사이의 상관관계 특성을 파악하는데 유용하게 적용될 수 있다. 여기서 상관관계 특성은 입출력의 결합 확률(joint probability)을 의미할 수 있다.
도 14는 본 개시에 적용 가능한 컨볼루션 신경망을 나타낸 도면이다. 또한, 도 15는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 나타낸 도면이다.
일 예로, 복수의 퍼셉트론을 서로 어떻게 연결하느냐에 따라 전술한 DNN과 다른 다양한 인공 신경망 구조를 형성할 수 있다. 이때, DNN은 하나의 층 내부에 위치한 노드들이 1차원적의 세로 방향으로 배치되어 있다. 그러나, 도 14를 참조하면, 노드들이 2차원적으로 가로 w개, 세로 h개의 노드가 배치할 경우를 가정할 수 있다. (도 14의 컨볼루션 신경망 구조). 이 경우, 하나의 입력 노드에서 은닉층으로 이어지는 연결과정에서 연결 하나당 가중치가 부가되므로, 총 h×w 개의 가중치가 고려되어야 한다. 입력층에 h×w 개의 노드가 존재하므로, 인접한 두 층 사이에는 총 h2w2개의 가중치가 필요할 수 있다.
또한, 도 14의 컨볼루션 신경망은 연결개수에 따라 가중치의 개수가 기하급수적으로 증가하는 문제가 있어 인접한 층 간의 모든 모드의 연결을 고려하는 대신, 크기가 작은 필터(filter)가 존재하는 것으로 가정할 수 있다. 일 예로, 도 15에서와 같이 필터가 겹치는 부분에 대해서는 가중합 및 활성함수 연산을 수행하도록 할 수 있다.
이때, 하나의 필터는 그 크기만큼의 개수에 해당하는 가중치를 가지며, 이미지 상의 어느 특정한 특징을 요인으로 추출하여 출력할 수 있도록 가중치의 학습이 이루어질 수 있다. 도 15에서는 3×3 크기의 필터가 입력층의 가장 좌측 상단 3×3 영역에 적용되고, 해당 노드에 대한 가중합 및 활성함수 연산을 수행한 결과 출력값은 z22에 저장될 수 있다.
이때, 상술한 필터는 입력층을 스캔하면서 가로, 세로 일정 간격만큼 이동하면서 가중합 및 활성함수 연산이 수행되고, 그 출력값은 현재 필터의 위치에 배치될 수 있다. 이러한 연산 방식은 컴퓨터 비전(computer vision) 분야에서 이미지에 대한 컨볼루션(convolution) 연산과 유사하므로, 이러한 구조의 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network)라 불리고, 컨볼루션 연산 결과 생성되는 은닉층은 컨볼루션 층(convolutional layer)라 불릴 수 있다. 또한, 복수의 컨볼루션 층이 존재하는 신경망을 심층 컨볼루션 신경망(deep convolutional neural network, DCNN)이라 할 수 있다.
또한, 컨볼루션 층에서는 현재 필터가 위치한 노드에서, 상기 필터가 커버하는 영역에 위치한 노드만을 포괄하여 가중합을 계산함으로써, 가중치의 개수가 감소될 수 있다. 이로 인해, 하나의 필터가 로컬(local) 영역에 대한 특징에 집중하도록 이용될 수 있다. 이에 따라, CNN은 2차원 영역 상의 물리적 거리가 중요한 판단 기준이 되는 이미지 데이터 처리에 효과적으로 적용될 수 있다. 한편, CNN은 컨볼루션 층의 직전에 복수의 필터가 적용될 수 있으며, 각 필터의 컨볼루션 연산을 통해 복수의 출력 결과를 생성할 수도 있다.
한편, 데이터 속성에 따라 시퀀스(sequence) 특성이 중요한 데이터들이 있을 수 있다. 이러한 시퀀스 데이터들의 길이 가변성, 선후 관계를 고려하여 데이터 시퀀스 상의 원소를 매 시점(timestep) 마다 하나씩 입력하고, 특정 시점에 출력된 은닉층의 출력 벡터(은닉 벡터)를, 시퀀스 상의 바로 다음 원소와 함께 입력하는 방식을 인공 신경망에 적용한 구조를 순환 신경망 구조라 할 수 있다.
도 16은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 나타낸 도면이다. 도 17은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 나타낸 도면이다.
도 16을 참조하면, 순환 신경망(recurrent neural network, RNN)은 데이터 시퀀스 상의 어느 시선 t의 원소 {x1 (t), x2 (t), …, xd (t)}를 완전 연결 신경망에 입력하는 과정에서, 바로 이전 시점 t-1은 은닉 벡터 {z1 (t-1), z2 (t-1), …, zH (t-1)}을 함께 입력하여 가중합 및 활성함수를 적용하는 구조를 가질 수 있다. 이와 같이 은닉 벡터를 다음 시점으로 전달하는 이유는 앞선 시점들에서의 입력 벡터속 정보들이 현재 시점의 은닉 벡터에 누적된 것으로 간주하기 때문이다.
또한, 도 17을 참조하면, 순환 신경망은 입력되는 데이터 시퀀스에 대하여 소정의 시점 순서대로 동작할 수 있다. 이때, 시점 1에서의 입력 벡터 {x1 (t), x2 (t), …, xd (t)}가 순환 신경망에 입력되었을 때의 은닉 벡터 {z1 (1), z2 (1), …, zH (1)}가 시점 2의 입력 벡터 {x1 (2), x2 (2), …, xd (2)}와 함께 입력되어, 가중합 및 활성 함수를 통해 은닉층의 벡터 {z1 (2), z2 (2), …, zH (2)}가 결정된다. 이러한 과정은 시점 2, 시점 3, …, 시점 T까지 반복적으로 수행된다.
한편, 순환 신경망 내에서 복수의 은닉층이 배치될 경우, 이를 심층 순환 신경망(deep recurrent neural network, DRNN)라 한다. 순환 신경망은 시퀀스 데이터(예, 자연어 처리(natural language processing)에 유용하게 적용되도록 설계되어 있다.
학습(learning) 방식으로 사용하는 신경망 코어로서 DNN, CNN, RNN 외에 제한 볼츠만 머신(restricted Boltzmann machine, RBM), 심층 신뢰 신경망(deep belief networks, DBN), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터 비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
최근에는 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer), 특히, 딥러닝의 경우, 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층(physical layer)으로 발전하고 있으며, 특히 물리 계층에서 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리 계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라, AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
본 발명의 구체적인 실시 예
도 18은 무선랜(wireless local area network, WLAN) 및 기지국 간 핸드오버를 나타낸 도면이다. 무선랜(WLAN)은 와이파이(WIFI)와 혼용되어 사용될 수 있다. 기지국은 네트워크, 망 및 셀룰러 네트워크 등의 용어와 혼용되어 사용될 수 있다. 도 18을 참고하면, 단말은 WLAN에서 기지국으로 핸드오버 할 수 있다. 일 예로, 단말은 WLAN에서 서빙 기지국으로 수직적 핸드오버(vertical handover)를 수행할 수 있다. 또한, 단말은 기지국에서 기지국으로 핸드오버를 수행할 수 있다. 일 예로, 단말은 서빙 기지국(serving base station)에서 타겟 기지국(target base station)으로 수평적 핸드오버(horizontal handover)를 수행할 수 있다.
단말이 상황 또는 환경이 변할 때 와이파이와 기지국 간 매끄러운(Seamless) 핸드오버를 하지 못하는 경우 단말의 대응이 늦어지거나 잠시 멈추는 문제가 발생할 수 있다. 본 명세서에서 단말은 로봇, IoT 등과 관련된 무선 장치를 포함하는 개념으로 사용될 수 있다.
또한, 무선 상황이나 환경이 변할 때, 단말이 언제 핸드오버 또는 핸드오프를 수행해야 단말이 좋은 서비스를 받을 수 있는지에 대해서 고려되어야 한다. 즉, 무선 통신 규격은 지연(Latency), 신뢰도(Reliability) 등의 KPI를 가지고 있으나, 트레이드 오프(Tradeoff)가 발생할 수 있기 때문에 이에 대한 적절한 대응이 필요할 수 있다.
단말은 와이파이(WIFI)를 이용해서 실내나 실외에서 통신할 수 있다. 다만, 단말은 많은 무선 장치들과 고층 빌딩 등의 환경들 때문에 더 좋은 기지국에 바로 접속하지 못할 수 있다. 여기서, 많은 무선 장치들은 다른 단말들, 자율주행 장치 및 IoT 등을 포함할 수 있다.
또한, 단말은 QoS(Quality of Service) 관점에서 낮은 처리량(Low Throughput) 혹은 패킷 로스(Packet Loss)를 허용 못하는 수준까지 유지하다가 와이파이가 끊기는 경우가 많을 수 있다.
또한, 단말이 처리량(Throughput)에 기초하여 기지국에서 와이파이(WIFI)로 핸드오버를 하지 않고, 액세스 포인트(access point, AP)의 강한 신호(Strong Signal)에 기초하여 핸드오버하기 때문에 다시 좋은 기지국에 접속할 때까지 많은 시간이 걸릴 수 있다.
또한, 단말은 AP의 신호 세기에 기초하여 핸드오버를 수행하기 때문에 QoS가 낮은 서비스를 받을 수 있다. 또한, 단말은 AP의 신호 세기에 기초하여 핸드오버를 수행하기 때문에 단말은 AP에 대해 잦은 접속을 시도할 수 있으며, 단말은 핸드오버를 자주 시도할 수 있다. 이에 따라, 단말의 전력 소모가 증가할 수 있다.
또한, 핸드오버가 와이파이(WIFI)의 신호 세기, 처리량(Low Throughput) 또는 패킷 로스(Packet Loss)에 따라 결정되는 경우, 로봇이나 IoT관련 많은 무선 장치들이 효율적인 서비스를 받지 못할 수 있다. 또한, 와이파이 시스템은 QoS 기반으로 서비스를 관리하지 않기 때문에 더 좋은 기지국 또는 네트워크가 있어도 핸드오버를 하지 않을 수 있다. 또한, AP가 단말의 QoS 정보 없이 단말이 핸드오버를 수행하는 경우 단말은 강한 와이파이 신호를 탐색하여 QoS가 낮더라도 다시 강한 와이파이로 접속하는 문제가 생길 수 있다.
본 개시는 단말이 다른 단말들의 접속 정보를 이용하여 효율적으로 기지국에 접속하는 방법을 제안한다. 또한, 본 개시는 높은 퀄리티의 통신 서비스, 기지국의 자원 관리 및 단말 전력 소모의 효율화를 증대하는 방법을 제안한다.
또한, 본 개시는 단말이 현재 서비스를 유지하거나 더 좋은 서비스를 받을 수 있는 방법을 제안한다. 구체적으로, 본 개시는 단말이 서비스 관점에서 핸드오버를 수행하 수 있도록 인공지능을 이용해서 해결하고자 한다. 즉, 인공지능 기반 단말의 와이파이 및 기지국 간 핸드오버 방법을 제안한다.
도 19는 와이파이 신호 세기에 따른 서비스를 나타낸 도면이다. 도 19를 참고하면, 와이파이 신호가 -30dBm 인 경우, 단말이 통신을 수행하는데 완벽한 신호(perfect signal)일 수 있다. 와이파이 신호가 -50dBm 인 경우, 단말이 통신을 수행하는데 훌륭한 신호(excellent signal)일 수 있다. 와이파이 신호가 -60dBm 인 경우, 단말이 통신을 수행하는데 안정적인 신호(good, reliable signal)일 수 있다. 와이파이 신호가 -67dBm 인 경우, 단말이 음성(voice) 및 non-HD video에 관한 통신을 수행하는 최소(minimum) 요건일 수 있다. 와이파이 신호가 -70dBm 인 경우, 단말이 가벼운 브라우징(light browsing)을 수행하거나 이메일을 쓰는 경우에 적합할 수 있다. 와이파이 신호가 -80dBm 인 경우, 단말의 연결이 불안정할 수 있다. 와이파이 신호가 -90dBm 인 경우, 단말이 연결할 수 없을 수 있다.
도 20은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다. 구체적으로, 도 20은 단말(2002)이 와이파이에 연결한 이후 서비스에 따른 핸드오버 관련 정보를 서버(2004)로부터 수신하는 것을 나타낸다. 서버는 AP를 포함할 수 있다. 도 20을 참고하면, S2001 단계에서, 단말(2002)는 AP(2004)에게 프로브 요청(probe request)을 전송할 수 있다. S2003 단계에서, 단말(2002)은 AP(2004)로부터 비콘 및 프레임 응답(beacon/probe response)을 수신할 수 있다. S2005 단계에서, 단말은 AP에게 인증 요청(authenticate request)을 전송할 수 있다. S2007 단계에서, 단말은 AP로부터 인증 응답(authenticate response)를 수신할 수 있다. S2009 단계에서 단말은 AP에게 Associate request을 전송할 수 있다. S2011 단계에서, 단말은 Associate response을 수신할 수 있다. Associate response는 신규 메시지 정보를 포함할 수 있다. 신규 메시지 정보는 AIind,, αBS , βBS 및 QoS_info를 포함할 수 있다. 각각의 정보는 후술한다. 이러한 정보는 여러 단말들이 연합 학습한 결과에 기초하여 생성된 정보일 수 있다. 즉, 단말은 다른 단말들의 접속 정보를 이용하여 효율적으로 기지국에 접속할 수 있다. 또한, 단말은 AP와 연결 후 AP로부터 핸드오버 관련 정보를 수신할 수 있다. 단말이 AP로부터 수신한 핸드오버 관련 정보는 여러 단말들이 연합 학습한 결과일 수 있다. S2013 단계에서, 단말은 AP와 데이터를 주고받을 수 있다.
도 21은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다. 단말은 서버와 연결할 수 있다. 서버는 기지국을 포함할 수 있다. 이에 따라, 단말은 기지국과 연결할 수 있다. 일 예로, 단말(2102)은 기지국(2104)에게 RRC 요청(radio resource control request)을 전송할 수 있다(S2101). 기지국(2104)은 단말(2102)에게 RRC 연결 셋업(RRC connection setup) 메시지를 전송할 수 있다(S2103). 단말(2102)은 기지국(2104)에게 RRC 연결 셋업 완료(RRC Connection Setup Complete) 메시지를 전송할 수 있다(S2105). 이에 따라, 단말과 기지국은 연결될 수 있다(S2107). 단말은 기지국과 연결한 후 서버로부터 핸드오버 시점을 수신할 수 있다. 일 예로, 단말은 기지국과 연결 후, 기지국으로부터 신규 메시지 정보를 수신할 수 있다. 신규 메시지 정보는 AIind,, αBS , βBS 및 QoS_info를 포함할 수 있다. 단말과 기지국은 데이터를 주고받을 수 있다(S2109).
도 22는 본 개시에 적용 가능한 연합 학습의 일 예를 나타낸 도면이다. FL(Federated Learning)은 단말 또는 서버가 데이터 샘플 및 정보를 교환하지 않고 로컬 데이터 샘플 및 정보를 보유하는 여러 단말 또는 서버가 알고리즘을 훈련시키는 기계 학습 기술이다. 이 방식은 단말이 데이터 및 정보를 공유하지 않고도 공통의 강력한 기계 학습 모델을 구축할 수 있다. 따라서, 연합 학습 기술은 데이터 개인 정보 보호, 데이터 보안, 데이터 액세스 권한 및 이기종 데이터 액세스와 같은 중요한 문제를 해결할 수 있다. 연합 학습은 단말이 로컬 데이터 및 정보에 대한 로컬 모델을 훈련시키고, 단말은 서버가 글로벌 모델을 생성할 수 있도록 로컬 모델의 파라미터를 서버에게 전달하고, 단말이 서버로부터 글로벌 모델을 수신하는 방식으로 수행될 수 있다.
도 22를 참고하면, 서버가 여러 단말들로부터 파라미터 정보를 수신하는 것을 나타낸 도면이다. 서버는 AP 및 기지국 등을 포함하는 개념일 수 있으며, 이하 AP, 기지국 및 서버는 혼용되어 사용될 수 있다.
서버(2208)는 단말 1(2202)로부터 α1 및 β1를 수신할 수 있다. 여기서, α1 및 β1는 베타 분포의 파라미터를 의미할 수 있다. 또한, 단말 1(2202)은 핸드오버 학습 모델 관련 파라미터인 α1 및 β1를 생성할 수 있다. 일 예로, 단말 1은 서버로부터 수신한 핸드오버 학습 모델 관련 파라미터 정보에 기초하여 업데이트를 통해 α1 및 β1를 생성할 수 있다. 또한, 각각의 단말들도 동일한 방식에 기초하여 핸드오버 학습 모델 관련 파라미터를 생성하고 서버에게 전송할 수 있다.
서버는 단말 2(2204)로부터 α2, β2를 수신할 수 있다. 또한, 서버(2208)는 단말 3으로부터 α3, β3를 수신할 수 있다. 이와 마찬가지로, 서버(2208)는 단말 U(2206)로부터 αu, βu를 수신할 수 있다. 즉, 서버(2208)는 복수의 단말들의 핸드오버 학습 모델 관련 파라미터 정보를 수신할 수 있다.
서버(2208)는 단말 1(2202)로부터 QoS_info1을 수신할 수 있다. QoS_info1-는 단말 1과 관련된 QoS 정보를 의미할 수 있다. 단말 1(2202)은 핸드오버 학습 모델 관련 파라미터인 QoS_info1를 생성할 수 있다. 일 예로, 단말 1은 서버로부터 수신한 핸드오버 학습 모델 관련 파라미터 정보에 기초하여 업데이트를 통해 QoS_info1를 생성할 수 있다. 각각의 단말들도 동일한 방식에 기초하여 서비스 정보를 생성하고 서버에게 전송할 수 있다.
서버는 단말들로부터 수신한 정보에 기초하여 αBS ,βBS 및 QoS_infoBS를 생성할 수 있다. αBS ,βBS 및 QoS_infoBS와 관련하여, 수학식 1은 다음과 같다.
[수학식 1]
Figure PCTKR2021009261-appb-img-000001
Figure PCTKR2021009261-appb-img-000002
여기서, U는 핸드오버 관련 파라미터 정보를 제공한 단말의 수를 의미할 수 있다. αBS는 서버가 수신한 단말들의 α의 평균을 의미할 수 있다. βBS는 서버가 수신한 단말들의 β의 평균을 의미할 수 있다. QoS_infoBS는 서버가 수신한 단말들의 QoS_info의 평균을 의미할 수 있다.
서버는 생성한 αBS βBS 및 QoS_infoBS를 단말들에게 브로드캐스팅 할 수 있다. 또한, 서버는 수신 단말의 학습 모델 사용 여부를 지시하는 정보인 AIInd를 단말들에게 브로드캐스팅 할 수 있다.
도 23은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다. 구체적으로, 도 23은 단말이 연합 학습 및 톰슴 샘플링을 수행하는 동작 절차의 일 예를 나타낸 도면이다. 여기서, 서버는 AP(Access Point), 기지국(base station), 5G Non-public network(NPN)를 포함할 수 있다. NPN은 NPN 오퍼레이터(operator)에 의해 작동될 수 있으며, PLMN(Public Land Mobile Network)에 의해 제공되는 네트워크 기능들에 의존할 수 있다.
S2301 단계에서, 단말은 서버(AP)와 연결할 수 있다. 즉, 단말은 WIFI에 연결할 수 있다. S2303 단계에서, 서버는 단말에게 글로벌 모델을 전송할 수 있다. 일 예로, AP는 단말에게 글로벌 모델을 전송할 수 있다. 글로벌 모델은 복수의 단말들의 접속 정보에 기초한 핸드오버 관련 정보를 포함할 수 있다. 일 예로, 글로벌 모델은 상술한 수학식 1의 αBS ,βBS 및 QoS_infoBS를 포함할 수 있다. 또한, 글로벌 모델은 AIind를 포함할 수 있다.
S2305 단계에서, 단말은 QoS에 기초하여 로컬 모델을 업데이트 할 수 있다. 일 예로, 단말은 서버로부터 수신한 글로벌 모델에 기초하여 로컬 모델을 업데이트 할 수 있다. 구체적으로, 단말은 자신의 QoS에 기초하여 베타 분포를 업데이트 할 수 있다.
S2307 단계에서, 단말은 QoS에 기초하여 베타 분포를 랜덤하게 샘플링한 값 중 최대값을 선택할 수 있다. 구체적으로, 단말은 QoS에 기초하여 핸드오버를 수행할 시점에 관련된 베타 분포를 랜덤하게 샘플링할 수 있다. 단말은 베타 분포를 랜덤하게 샘플링한 값 중에서 바이어스(bias) 값을 더할 수 있다. 여기서, 단말은 가장 낮은 바이어스 값을 선택하여 더할 수 있다. 즉, 단말은 핸드오버를 수행할 시점에 대해 가중치를 줄 수 있다. 단말은 베타 분포를 랜덤하게 샘플링한 값에 바이어스를 더한 값 중에서 최대 값을 선택할 수 있다. 본 명세서에서 최대 값은 best_rx로 표현될 수 있다.
S2309 단계에서, 단말은 수신 전력을 확인하고 best_rx 시점에 핸드오버를 수행할 수 있다. 일 예로, 단말은 수직적 핸드오버를 수행할 수 있다. 일 예로, 단말은 AP로부터 기지국으로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 AP로부터 NPN으로 핸드오버를 수행할 수 있다. S2311 단계에서, 단말은 핸드오버 이후 일정시간 동안 서비스(QoS)가 유지되거나 좋아지면 α+1 낮아지면 β+1 연산을 수행할 수 있다. S2313 단계에서, 단말은 서비스(QoS) 별 로컬 모델인 베타 분포를 업데이트할 수 있다. 즉, 단말은 서비스에 기초하여 베타 분포를 업데이트할 수 있다 S2315 단계에서, 단말은 서버에게 로컬 모델을 전송할 수 있다. 즉, 단말은 서버에게 업데이트한 베타 분포 파라미터 정보를 전송할 수 있다. S2317 단계에서, 서버(AP)는 단말로부터 수신한 로컬 모델을 통해 글로벌 모델을 업데이트 할 수 있다.
도 24는 본 개시에 적용 가능한 핸드오버 동작 절차의 일 예를 나타낸 도면이다. S2401 단계에서, 단말(2402)은 AP(2404)에게 Associate Request 메시지를 전송할 수 있다. 일 예로, 단말(2402)은 AP(2404)에게 신규 메시지 정보를 요청할 수 있다. 신규 메시지 정보는 AIind, αBS , βBS 및 QoS_info를 포함할 수 있다. S2403 단계에서, AP(2404)는 단말(2402)에게 Associate response 메시지를 전송할 수 있다. 일 예로, AP는 단말에게 신규 메시지 정보를 전송할 수 있다. 단말은 신규 메시지 정보를 수신하고 톰슨 샘플링을 수행할 수 있다. 톰슨 샘플링은 누적된 α, β를 베타 분포(Beta Distribution)에 적용하여 샘플링(Sampling)한 값 중 가장 큰 값을 선택할 수 있다. 다음은 톰슨 샘플링과 관련된 수학식을 나타낸다.
[수학식 2]
Figure PCTKR2021009261-appb-img-000003
단말이 수신한 누적된 α, β 값은 해당 단말의 QoS를 적용하지 않았을 수 있다. 단말은 자신의 QoS를 적용하고 추론하여 새로운 α, β값을 만들어 새로운 Beta(α, β)로 업데이트 할 수 있다. 이렇게 업데이트된 정보에 기초하여 단말은 랜덤(random)하게 샘플링하고 그 값 중 최대의 값을 선택할 수 있다. 여기서, 단말은 샘플링한 값에 바이어스 값을 더할 수 있다. 일 예로, 단말은 샘플링 값 중 낮은 값을 선택하여 바이어스 값을 더할 수 있다. 또한, 단말은 샘플링 값에 바이어스 값을 더한 값 중에서 최대 값을 선택할 수 있다. 단말은 선택한 최대 값에 기초하여 핸드오버를 수행할 수 있다. S2405 단계에서, 단말과 AP는 데이터를 주고받을 수 있다.
단말은 수신 파워를 확인하고 선택한 최대 값에 기초하여 핸드오버를 수행할 수 있다. 일 예로, 단말은 수신 파워를 확인하고 선택한 최대 값에 기초하여 기지국으로 핸드오버를 수행할 수 있다. S2407 단계에서, 단말은 기지국에게 Attach request 메시지를 전송하고 기지국으로부터 Attach response 메시지를 수신할 수 있다. S2409 단계에서, 단말과 기지국은 데이터를 주고받을 수 있다. 단말은 메시지 정보를 업데이트할 수 있다. 즉, 단말은 α, β 및 QoS_info를 업데이트할 수 있다. 단말은 업데이트한 베타 분포 파라미터 및 QoS 정보를 기지국에게 전송할 수 있다.
도 25는 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다. 구체적으로, 도 25는 단말이 연합 학습 및 톰슴 샘플링을 수행하는 동작 절차의 일 예를 나타낸 도면이다. 여기서, 서버는 AP(Access Point), 기지국(base station), 5G Non-public network(NPN)를 포함할 수 있다. NPN은 NPN 오퍼레이터(operator)에 의해 작동될 수 있으며, PLMN(Public Land Mobile Network)에 의해 제공되는 네트워크 기능들에 의존할 수 있다.
S2501 단계에서, 단말은 서버에 연결할 수 있다. 일 예로, 단말은 기지국에 연결할 수 있다. 즉, 단말은 셀룰러(cellular) 망에 연결할 수 있다. S2503 단계에서, 서버는 단말에게 글로벌 모델을 전송할 수 있다. 일 예로, 기지국은 단말에게 글로벌 모델을 전송할 수 있다. 글로벌 모델은 복수의 단말들의 접속 정보에 기초한 핸드오버 관련 정보를 포함할 수 있다. 일 예로, 글로벌 모델은 상술한 수학식 1의 αBS ,βBS 및 QoS_infoBS를 포함할 수 있다. 또한, 글로벌 모델은 AIind를 포함할 수 있다.
S2505 단계에서, 단말은 QoS에 기초하여 로컬 모델을 업데이트 할 수 있다. 일 예로, 단말은 서버로부터 수신한 글로벌 모델에 기초하여 로컬 모델을 업데이트 할 수 있다. 구체적으로, 단말은 자신의 QoS에 기초하여 베타 분포를 업데이트 할 수 있다.
S2507 단계에서, 단말은 QoS에 기초하여 베타 분포를 랜덤하게 샘플링한 값 중 최대값을 선택할 수 있다. 구체적으로, 단말은 QoS에 기초하여 핸드오버를 수행할 시점에 관련된 베타 분포를 랜덤하게 샘플링할 수 있다. 단말은 베타 분포를 랜덤하게 샘플링한 값 중에서 바이어스(bias) 값을 더할 수 있다. 여기서, 단말은 가장 낮은 바이어스 값을 선택하여 더할 수 있다. 즉, 단말은 핸드오버를 수행할 시점에 대해 가중치를 줄 수 있다. 단말은 베타 분포를 랜덤하게 샘플링한 값에 바이어스를 더한 값 중에서 최대 값을 선택할 수 있다. 본 명세서에서 최대 값은 best_rx로 표현될 수 있다.
S2509 단계에서, 단말은 수신 전력을 확인하고 최대 값(best_rx) 시점에 핸드오버를 수행할 수 있다. 일 예로, 단말은 수직적 핸드오버를 수행할 수 있다. 일 예로, 단말은 기지국으로부터 AP로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 기지국으로부터 NPN으로 핸드오버를 수행할 수 있다. S2511 단계에서, 단말은 핸드오버 이후 일정시간 동안 서비스(QoS)가 유지되거나 좋아지면 α+1 낮아지면 β+1 연산을 수행할 수 있다. S2513 단계에서, 단말은 서비스(QoS) 별 로컬 모델인 베타 분포를 업데이트할 수 있다. 즉, 단말은 서비스에 기초하여 베타 분포를 업데이트할 수 있다 S2515 단계에서, 단말은 서버에게 로컬 모델을 전송할 수 있다. 즉, 단말은 서버에게 업데이트한 베타 분포 파라미터 정보를 전송할 수 있다. S2517 단계에서, 기지국은 단말로부터 수신한 로컬 모델을 통해 글로벌 모델을 업데이트 할 수 있다.
도 26은 본 개시에 적용 가능한 단말 동작 절차의 일 예를 나타낸 도면이다. S2601 단계에서, 단말(2602)과 기지국(2604)는 RRC 연결을 수행할 수 있다. S2603 단계에서, 단말(2602)과 기지국(2604)은 연결이 완료될 수 있다. 단말은 기지국으로부터 신규 메시지 정보를 수신할 수 있다. 신규 메시지 정보는 AIind, αBS , βBS 및 QoS_info를 포함할 수 있다. 단말은 신규 메시지 정보를 수신하고 톰슨 샘플링을 수행할 수 있다. 톰슨 샘플링은 누적된 α, β를 베타 분포(Beta Distribution)에 적용하여 샘플링(Sampling)한 값 중 가장 큰 값을 선택할 수 있다. 톰슨 샘플링은 상술한 수학식 2에 따라 표현될 수 있다.
단말이 수신한 누적된 α, β 값은 해당 단말의 QoS를 적용하지 않았을 수 있다. 단말은 자신의 QoS를 적용하고 추론하여 새로운 α, β값을 만들어 새로운 Beta(α, β)로 업데이트 할 수 있다. 이렇게 업데이트된 정보에 기초하여 단말은 랜덤(random)하게 샘플링하고 그 값 중 최대의 값을 선택할 수 있다. 여기서, 단말은 샘플링한 값에 바이어스 값을 더할 수 있다. 일 예로, 단말은 샘플링 값 중 낮은 값을 선택하여 바이어스 값을 더할 수 있다. 또한, 단말은 샘플링 값에 바이어스 값을 더한 값 중에서 최대 값을 선택할 수 있다. 단말은 선택한 최대 값에 기초하여 핸드오버를 수행할 수 있다. S2605 단계에서, 단말과 기지국은 데이터를 주고받을 수 있다. 단말은 수신 파워를 확인하고 선택한 최대 값에 기초하여 핸드오버를 수행할 수 있다. 일 예로, 단말은 기지국으로부터 AP로 핸드오버를 수행할 수 있다. 단말은 QoS에 기초하여 기지국으로부터 AP로 핸드오버를 수행할 수 있다.
S2607 단계에서, 단말은 AP에게 Probe request 메시지를 전송하고, AP로부터 Probe response 메시지를 수신할 수 있다. S2409 단계에서, 단말과 AP는 데이터를 주고받을 수 있다. 단말은 메시지 정보를 업데이트할 수 있다. 즉, 단말은 α, β 및 QoS_info를 업데이트할 수 있다. 단말은 업데이트한 베타 분포 파라미터 및 QoS 정보를 AP에게 전송할 수 있다.
도 27은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다. 구체적으로, 도 27은 단말이 연합 학습 및 톰슴 샘플링을 수행하는 동작 절차의 일 예를 나타낸 도면이다. 여기서, 서버는 AP(Access Point), 기지국(base station), 5G Non-public network(NPN)를 포함할 수 있다. NPN은 NPN 오퍼레이터(operator)에 의해 작동될 수 있으며, PLMN(Public Land Mobile Network)에 의해 제공되는 네트워크 기능들에 의존할 수 있다. 핸드오버 시점은 단말의 수신 전력뿐만 아니라 낮은 처리량(low throughput), 패킷 손실(Packet loss), 지연 시간(delay time) 등에 기초하여 설정될 수 있다. 또한, 핸드오버 시점은 상술한 요소들의 결합에 의해 설정될 수 있다.
S2701 단계에서, 단말은 서버에 연결할 수 있다. S2703 단계에서, 서버는 단말에게 글로벌 모델을 전송할 수 있다. 일 예로, 서버는 단말에게 글로벌 모델을 전송할 수 있다. 글로벌 모델은 복수의 단말들의 접속 정보에 기초한 핸드오버 관련 정보를 포함할 수 있다. 일 예로, 글로벌 모델은 상술한 수학식 1의 αBS ,βBS 및 QoS_infoBS를 포함할 수 있다. 또한, 글로벌 모델은 AIind를 포함할 수 있다.
S2705 단계에서, 단말은 QoS에 기초하여 로컬 모델을 업데이트 할 수 있다. 일 예로, 단말은 서버로부터 수신한 글로벌 모델에 기초하여 로컬 모델을 업데이트 할 수 있다. 구체적으로, 단말은 자신의 QoS에 기초하여 베타 분포를 업데이트 할 수 있다.
S2707 단계에서, 단말은 QoS에 기초하여 베타 분포를 랜덤하게 샘플링한 값 중 최대값을 선택할 수 있다. 구체적으로, 단말은 QoS에 기초하여 핸드오버를 수행할 시점에 관련된 베타 분포를 랜덤하게 샘플링할 수 있다. 단말은 베타 분포를 랜덤하게 샘플링한 값 중에서 바이어스(bias) 값을 더할 수 있다. 여기서, 단말은 가장 낮은 바이어스 값을 선택하여 더할 수 있다. 즉, 단말은 핸드오버를 수행할 시점에 대해 가중치를 줄 수 있다. 단말은 베타 분포를 랜덤하게 샘플링한 값에 바이어스를 더한 값 중에서 최대 값을 선택할 수 있다.
S2709 단계에서, 단말은 수신 전력, 낮은 처리량, 패킷 손실, 지연 시간 중 적어도 하나를 확인하고 최대 값(best_rx) 시점에 핸드오버를 수행할 수 있다. 일 예로, 단말은 수직적 핸드오버를 수행할 수 있다. 일 예로, 단말은 기지국으로부터 AP로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 AP로부터 기지국으로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 기지국으로부터 NPN으로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 NPN으로부터 기지국으로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 NPN으로부터 AP로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 AP로부터 NPN으로 핸드오버를 수행할 수 있다. 또한, 단말은 수평적 핸드오버도 수행할 수 있다.
S2711 단계에서, 단말은 핸드오버 이후 일정시간 동안 서비스(QoS)가 유지되거나 좋아지면 α+1 낮아지면 β+1 연산을 수행할 수 있다. S2713 단계에서, 단말은 서비스(QoS) 별 로컬 모델인 베타 분포를 업데이트할 수 있다. 즉, 단말은 서비스에 기초하여 베타 분포를 업데이트할 수 있다 S2715 단계에서, 단말은 서버에게 로컬 모델을 전송할 수 있다. 즉, 단말은 서버에게 업데이트한 베타 분포 파라미터 정보를 전송할 수 있다. S2717 단계에서, 서버는 단말로부터 수신한 로컬 모델을 통해 글로벌 모델을 업데이트 할 수 있다.
도 28은 본 개시에 적용 가능한 단말의 동작 절차의 일 예를 나타낸 도면이다. S2801 단계에서, 단말은 서버로부터 핸드오버 관련 정보를 수신할 수 있다. 서버는 AP 또는 기지국을 포함할 수 있다. 여기서, 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS 정보를 포함할 수 있다. 일 예로, 핸드오버 관련 정보는 신규 메시지 정보를 포함할 수 있다. 신규 메시지 정보는 AIind,, αBS , βBS 및 QoS_info를 포함할 수 있다.
AIInd는 단말의 학습 모델 사용 여부를 지시하는 정보를 의미할 수 있다. 일 예로, 단말은 AIInd 값에 기초하여 핸드오버 학습 모델을 사용할 지 선택할 수 있다. 또한, 단말은 AIInd 값에 기초하여 핸드오버 학습 모델을 사용하지 않고 핸드오버를 수행할 수 있다.
톰슨 샘플링은 누적된 α, β를 베타 분포(Beta Distribution)에 적용하여 샘플링(Sampling)한 값 중 가장 큰 값을 선택할 수 있다. 톰슨 샘플링은 상술한 수학식 2에 따라 표현될 수 있다. αBS 및 βBS는 복수의 단말들의 접속 정보에 기초하여 서버가 생성한 파라미터일 수 있다. 이는 상술한 수학식1과 같이 표현될 수 있다. QoS_info-는 여러 단말들이 QoS에 기초하여 서버에 접속한 정보를 의미할 수 있다.
S2803 단계에서, 단말은 핸드오버 학습 모델을 통해 핸드오버와 관련된 적어도 하나 이상의 제1 파라미터를 제2 파라미터로 업데이트 할 수 있다. 일 예로, 단말이 수신한 누적된 α, β 값은 해당 단말의 QoS를 적용하지 않았을 수 있다. 단말은 자신의 QoS를 적용하고 추론하여 새로운 α, β값을 만들어 새로운 Beta(α, β)로 업데이트 할 수 있다. 이렇게 업데이트된 정보에 기초하여 단말은 랜덤(random)하게 샘플링하고 그 값 중 최대의 값을 선택할 수 있다. 여기서, 단말은 샘플링한 값에 바이어스 값을 더할 수 있다. 일 예로, 단말은 샘플링 값 중 낮은 값을 선택하여 바이어스 값을 더할 수 있다. 또한, 단말은 샘플링 값에 바이어스 값을 더한 값 중에서 최대 값을 선택할 수 있다.
S2805 단계에서, 단말은 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버를 수행할 수 있다. 일 예로, 단말은 선택한 최대 값에 기초하여 핸드오버를 수행할 수 있다. 즉, 단말은 QoS에 기초하여 수직적 핸드오버를 수행할 수 있다. 또한, 단말은 QoS에 기초하여 기지국으로부터 AP로 핸드오버를 수행할 수 있다. 또한, 단말은 QoS에 기초하여 AP로부터 기지국으로 핸드오버를 수행할 수 있다. 또 다른 예로, 단말은 QoS에 기초하여 수평적 핸드오버를 수행할 수 있다.
또한, 단말은 수신 전력, 낮은 처리량, 패킷 손실, 지연 시간 중 적어도 하나를 확인하고 선택한 최대 값에 기초한 시점에 핸드오버를 수행할 수 있다. 단말은 핸드오버 이후에 일정 시간동안 서비스(QoS)가 유지되거나 좋아지면 α+1 낮아지면 β+1 연산을 수행할 수 있다. 단말은 QoS 별 베타 분포를 업데이트할 수 있다. 단말은 업데이트된 제2 파라미터 정보를 서버에게 전송할 수 있다.
도 29는 본 개시에 적용 가능한 기지국의 동작 절차의 일 예를 나타낸 도면이다. 연합 학습은 단말이 로컬 데이터 및 정보에 대한 로컬 모델을 훈련시키고, 단말은 서버가 글로벌 모델을 생성할 수 있도록 로컬 모델의 파라미터를 서버에게 전달하고, 단말이 서버로부터 글로벌 모델을 수신하는 방식으로 수행될 수 있다. 이에 따라, 기지국은 여러 단말들로부터 각 단말들의 핸드오버 관련 정보를 수신하고 업데이트함으로써 연합 학습을 수행할 수 있다. AP 및 비기지국도 도 29의 동작 절차들을 수행할 수 있다.
S2901 단계에서, 기지국이 복수의 단말로부터 각 단말의 핸드오버 관련 정보를 수신할 수 있다. 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함할 수 있다. 일 예로, 핸드오버 관련 정보는 각 단말의α, β 및 QoS_info를 포함할 수 있다. α 및 β는 베타 분포 파라미터일 수 있으며, 상술한 바와 같다. 여기서, α 및 β는 핸드오버 학습 모델에 대한 제1 파라미터일 수 있으며 각 단말의 로컬 모델을 의미할 수 있다. QoS 정보는 각 단말의 서비스 정보를 의미할 수 있다.
S2903 단계에서, 기지국은 복수의 단말들로부터 수신한 핸드오버 관련 정보에 기초하여 핸드오버 학습 모델에 대한 적어도 하나 이상의 제2 파라미터 및 QoS 정보를 생성할 수 있다. 일 예로, 기지국은 복수의 단말들로부터 수신한 핸드오버 관련 정보에 기초하여 신규 메시지 정보를 생성할 수 있다. 신규 메시지 정보는 AIind,, αBS , βBS 및 QoS_info를 포함할 수 있다. 각 신규 메시지 정보는 상술한 바와 같다. 여기서, 제2 파라미터는 αBS 및 βBS를 의미할 수 있으며 상술한 바와 같다. 또한, QoS_info는 기지국이 연합 학습에 기초하여 생성한 QoS 정보를 의미할 수 있다.
S2905 단계에서, 기지국이 단말에게 생성한 제2 파라미터 및 QoS 정보를 전송할 수 있다. 기지국은 핸드오버 관련 정보로서 생성한 제2 파라미터 및 QoS 정보를 단말에게 전송할 수 있다. 또한, 기지국은 핸드오버 관련 정보에 AIind를 포함시켜 전송할 수 있다. 기지국은 AIind에 기초하여 단말이 핸드오버 학습 모델을 사용할 지 여부를 지시할 수 있다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시 예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(3rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시 예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THz 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시 예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.

Claims (18)

  1. 무선 통신 시스템에서 단말의 동작 방법에 있어서,
    AP(access point)로부터 핸드오버 관련 정보를 수신하는 단계;
    상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함하고,
    상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하는 단계; 및
    상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하는 단계;를 포함하는, 방법.
  2. 제1항에 있어서,
    상기 핸드오버는 AP로부터 기지국으로 연결을 변경하는 핸드오버인, 방법.
  3. 제1항에 있어서,
    상기 제2 파라미터를 기지국에게 전송하는 단계를 포함하는, 방법.
  4. 제1항에 있어서,
    상기 핸드오버 관련 정보는 상기 단말이 상기 핸드오버 학습 모델 사용 여부 지시 정보를 포함하는, 방법.
  5. 제1항에 있어서,
    상기 핸드오버 학습 모델은 베타 분포에 기초하여 학습하는 모델이고,
    상기 단말은 상기 베타 분포에서 랜덤(random)하게 샘플링(sampling)한 값 및 바이어스(bias) 값에 기초하여 핸드오버를 수행하는, 방법.
  6. 제5항에 있어서,
    상기 바이어스 값은 샘플링한 값 중 낮은 값을 선택하는 값이고,
    상기 샘플링한 값에 상기 바이어스 값을 더한 값 중 최대 값을 선택하는, 방법.
  7. 제6항에 있어서,
    상기 단말은 수신 전력을 확인하고 상기 최대 값에 기초하여 핸드오버를 수행하는, 방법.
  8. 무선 통신 시스템에서 단말에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는 상기 송수신기가 AP(access point)로부터 핸드오버 관련 정보를 수신하도록 제어하되, 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함하고,
    상기 프로세서는 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하고, 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하는, 단말.
  9. 제8항에 있어서,
    상기 핸드오버는 AP로부터 기지국으로 연결을 변경하는 핸드오버인, 단말.
  10. 제8항에 있어서,
    상기 프로세서는 상기 송수신기가 상기 제2 파라미터를 기지국에게 전송하도록 제어하는, 단말.
  11. 제8항에 있어서,
    상기 핸드오버 관련 정보는 상기 단말이 상기 핸드오버 학습 모델 사용 여부 지시 정보를 포함하는, 단말.
  12. 제8항에 있어서,
    상기 핸드오버 학습 모델은 베타 분포에 기초하여 학습하는 모델이고,
    상기 프로세서는 상기 베타 분포에서 랜덤(random)하게 샘플링(sampling)한 값 및 바이어스(bias) 값에 기초하여 핸드오버를 수행하는, 단말.
  13. 제12항에 있어서,
    상기 바이어스 값은 샘플링한 값 중 낮은 값을 선택하는 값이고,
    상기 샘플링한 값에 상기 바이어스 값을 더한 값 중 최대 값을 선택하는, 단말.
  14. 제13항에 있어서,
    상기 프로세서는 수신 전력을 확인하고 상기 최대 값에 기초하여 핸드오버를 수행하는, 단말.
  15. 적어도 하나의 메모리 및 상기 적어도 하나의 메모리들과 기능적으로 연결되어 있는 적어도 하나의 프로세서를 포함하는 장치에 있어서,
    상기 적어도 하나의 프로세서는 상기 장치가,
    AP(access point)로부터 핸드오버 관련 정보를 수신하도록 제어하되, 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함하고,
    상기 적어도 하나의 프로세서는 상기 장치가 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하도록 제어하고,
    상기 적어도 하나의 프로세서는 상기 장치가 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하도록 제어하는, 장치.
  16. 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서,
    프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며,
    상기 적어도 하나의 명령어는, 장치가,
    AP(access point)로부터 핸드오버 관련 정보를 수신하도록 지시하되, 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함하고,
    상기 적어도 하나의 명령어는 상기 장치가 상기 QoS 정보에 기초하여 상기 제1 파라미터를 핸드오버 학습 모델을 통해 제2 파라미터로 업데이트하도록 지시하고,
    상기 적어도 하나의 명령어는 상기 장치가 상기 업데이트된 적어도 하나 이상의 제2 파라미터에 기초하여 핸드오버(handover)를 수행하도록 지시하는, 컴퓨터 판독 가능 매체.
  17. 무선 통신 시스템에서 기지국의 동작 방법에 있어서,
    복수의 단말들로부터 핸드오버 관련 정보를 수신하는 단계;
    상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함하고,
    상기 복수의 단말들로부터 수신한 핸드오버 관련 정보에 기초하여 핸드오버 학습 모델에 대한 적어도 하나 이상의 제2 파라미터 및 QoS 정보를 생성하는 단계;
    상기 생성한 제2 파라미터 및 QoS 정보를 전송하는 단계;를 포함하는, 방법.
  18. 무선 통신 시스템에서 기지국에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는 상기 송수신기가 복수의 단말들로부터 핸드오버 관련 정보를 수신하도록 제어하되, 상기 핸드오버 관련 정보는 핸드오버 학습 모델에 대한 적어도 하나 이상의 제1 파라미터 및 QoS(quality of service) 정보를 포함하고,
    상기 프로세서는 상기 송수신기가 상기 복수의 단말들로부터 수신한 핸드오버 관련 정보에 기초하여 핸드오버 학습 모델에 대한 적어도 하나 이상의 제2 파라미터 및 QoS 정보를 생성하도록 제어하되,
    상기 생성한 제2 파라미터 및 QoS 정보를 전송하도록 제어하는, 기지국.
PCT/KR2021/009261 2020-09-02 2021-07-19 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법 WO2022050565A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020227045176A KR20230058012A (ko) 2020-09-02 2021-07-19 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법
US18/024,481 US20230319667A1 (en) 2020-09-02 2021-07-19 Apparatus and method for handover in wireless communication system
EP21864526.5A EP4210393A1 (en) 2020-09-02 2021-07-19 Apparatus and method for handover in wireless communication system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20200111927 2020-09-02
KR10-2020-0111927 2020-09-02

Publications (1)

Publication Number Publication Date
WO2022050565A1 true WO2022050565A1 (ko) 2022-03-10

Family

ID=80491271

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/009261 WO2022050565A1 (ko) 2020-09-02 2021-07-19 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법

Country Status (4)

Country Link
US (1) US20230319667A1 (ko)
EP (1) EP4210393A1 (ko)
KR (1) KR20230058012A (ko)
WO (1) WO2022050565A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220150727A1 (en) * 2020-11-11 2022-05-12 Qualcomm Incorporated Machine learning model sharing between wireless nodes

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015174660A1 (ko) * 2014-05-15 2015-11-19 이화여자대학교 산학협력단 이동 통신 네트워크에서 핸드오버를 위한 셀 선택 방법
EP3051877A1 (en) * 2013-09-25 2016-08-03 ZTE Corporation Cell handover method and apparatus
US20170048780A1 (en) * 2014-04-24 2017-02-16 Huawei Device Co., Ltd. Cell reselection method and mobile terminal
KR20170137082A (ko) * 2015-04-10 2017-12-12 퀄컴 인코포레이티드 핸드오프들 동안의 레이트 적응

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3051877A1 (en) * 2013-09-25 2016-08-03 ZTE Corporation Cell handover method and apparatus
US20170048780A1 (en) * 2014-04-24 2017-02-16 Huawei Device Co., Ltd. Cell reselection method and mobile terminal
WO2015174660A1 (ko) * 2014-05-15 2015-11-19 이화여자대학교 산학협력단 이동 통신 네트워크에서 핸드오버를 위한 셀 선택 방법
KR20170137082A (ko) * 2015-04-10 2017-12-12 퀄컴 인코포레이티드 핸드오프들 동안의 레이트 적응

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
3GPP TS 36.211
3GPP TS 36.212
3GPP TS 36.321
3GPP TS 36.331
PANASONIC: "Discussion on the leaving conditions for CHO", 3GPP DRAFT; R2-1912693 DISCUSSION ON THE LEAVING CONDITIONS FOR CHO, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, vol. RAN WG2, no. Chongqing, China; 20191014 - 20191018, 2 October 2019 (2019-10-02), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France , XP051790729 *

Also Published As

Publication number Publication date
EP4210393A1 (en) 2023-07-12
KR20230058012A (ko) 2023-05-02
US20230319667A1 (en) 2023-10-05

Similar Documents

Publication Publication Date Title
WO2022050432A1 (ko) 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치
WO2022250221A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2022050565A1 (ko) 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법
WO2022050468A1 (ko) 무선 통신 시스템에서 연합학습을 수행하는 방법 및 이를 위한 장치
WO2022039295A1 (ko) 무선 통신 시스템에서 하향링크를 전처리하는 방법 및 이를 위한 장치
WO2022014732A1 (ko) 무선 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치
WO2023017881A1 (ko) 무선 통신 시스템에서 측정 갭을 이용한 측정 결과에 기반하여 핸드오버를 수행하기 위한 장치 및 방법
WO2022050528A1 (ko) 무선 통신 시스템에서 셀 재선택을 수행하기 위한 방법 및 장치
WO2022119021A1 (ko) Ai mimo에 대한 러닝 클래스 기반 시스템 적응 방법 및 장치
WO2022050444A1 (ko) 연합학습을 위한 통신방법 및 이를 수행하는 디바이스
WO2022054981A1 (ko) 압축 연합 학습 수행 방법 및 장치
WO2022025321A1 (ko) 통신 장치의 신호 랜덤화 방법 및 장치
WO2022050434A1 (ko) 무선 통신 시스템에서 핸드오버를 수행하기 위한 방법 및 장치
WO2023022251A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2022260200A1 (ko) 무선 통신 시스템에서 배터리 효율을 고려하여 핸드오버를 수행하기 위한 장치 및 방법
WO2024019184A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 학습을 수행하기 위한 장치 및 방법
WO2023017882A1 (ko) 무선 통신 시스템에서 배터리 효율을 고려하여 무선 접속 기술을 선택하기 위한 장치 및 방법
WO2023113282A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법
WO2022270649A1 (ko) 무선 통신 시스템에서 음성 통신을 수행하기 위한 장치 및 방법
WO2022231084A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2024048816A1 (ko) 무선 통신 시스템에서 신호를 송수신하기 위한 장치 및 방법
WO2024063169A1 (ko) 무선 통신 시스템에서 채널을 측정하기 위한 장치 및 방법
WO2024034707A1 (ko) 무선 통신 시스템에서 수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법
WO2022119424A1 (ko) 무선 통신 시스템에서 신호 전송을 위한 장치 및 방법
WO2023042941A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21864526

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021864526

Country of ref document: EP

Effective date: 20230403