WO2023191431A1 - 무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보 송신 또는 수신 방법 및 장치 - Google Patents

무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보 송신 또는 수신 방법 및 장치 Download PDF

Info

Publication number
WO2023191431A1
WO2023191431A1 PCT/KR2023/004062 KR2023004062W WO2023191431A1 WO 2023191431 A1 WO2023191431 A1 WO 2023191431A1 KR 2023004062 W KR2023004062 W KR 2023004062W WO 2023191431 A1 WO2023191431 A1 WO 2023191431A1
Authority
WO
WIPO (PCT)
Prior art keywords
csi
precoding matrix
model
terminal
cqi
Prior art date
Application number
PCT/KR2023/004062
Other languages
English (en)
French (fr)
Inventor
박해욱
강지원
김규석
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
Publication of WO2023191431A1 publication Critical patent/WO2023191431A1/ko

Links

Images

Classifications

    • 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
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path

Definitions

  • the present disclosure relates to wireless communication systems, and more particularly to a method and apparatus for transmitting or receiving improved codebook-based channel state information in a wireless communication system.
  • Mobile communication systems were developed to provide voice services while ensuring user activity.
  • the mobile communication system has expanded its scope to include not only voice but also data services.
  • the explosive increase in traffic is causing a shortage of resources and users are demanding higher-speed services, so a more advanced mobile communication system is required. there is.
  • next-generation mobile communication system The requirements for the next-generation mobile communication system are to support explosive data traffic, a dramatic increase in transmission rate per user, a greatly increased number of connected devices, very low end-to-end latency, and high energy efficiency.
  • dual connectivity massive MIMO (Massive Multiple Input Multiple Output), full duplex (In-band Full Duplex), NOMA (Non-Orthogonal Multiple Access), and ultra-wideband (Super)
  • massive MIMO Massive Multiple Input Multiple Output
  • full duplex In-band Full Duplex
  • NOMA Non-Orthogonal Multiple Access
  • Super ultra-wideband
  • the technical task of the present disclosure is to provide a method and device for transmitting or receiving improved codebook-based CSI, which is distinguished from channel state information (CSI) based on a codebook predefined/shared between a base station and a terminal in a wireless communication system. .
  • CSI channel state information
  • An additional technical task of the present disclosure is to provide a method and device for reporting from a terminal to a base station for one or more of codebook-based CSI or improved codebook-based CSI in a wireless communication system.
  • a method performed by a terminal in a wireless communication system includes receiving one or more channel state information (CSI)-reference signals (RS) from a network; And transmitting to the network one or more CSI reports including information indicating a first precoding matrix based on the one or more CSI-RSs, and a channel quality indicator (CQI) based on the second precoding matrix.
  • CSI channel state information
  • CQI channel quality indicator
  • a method performed by a base station in a wireless communication system includes transmitting one or more channel state information (CSI)-reference signals (RS) to a terminal; And receiving from the terminal one or more CSI reports including information indicating a first precoding matrix based on the one or more CSI-RSs, and a channel quality indicator (CQI) based on the second precoding matrix.
  • CSI channel state information
  • CQI channel quality indicator
  • a method and apparatus for transmitting or receiving improved codebook-based CSI which is distinguished from channel state information (CSI) based on a codebook predefined/shared between a base station and a terminal in a wireless communication system, can be provided.
  • CSI channel state information
  • a method and apparatus for reporting from a terminal to a base station for one or more of codebook-based CSI or improved codebook-based CSI in a wireless communication system can be provided.
  • FIG. 1 illustrates the structure of a wireless communication system to which the present disclosure can be applied.
  • FIG. 2 illustrates a frame structure in a wireless communication system to which the present disclosure can be applied.
  • FIG. 3 illustrates a resource grid in a wireless communication system to which the present disclosure can be applied.
  • FIG. 4 illustrates a physical resource block in a wireless communication system to which the present disclosure can be applied.
  • FIG. 5 illustrates a slot structure in a wireless communication system to which the present disclosure can be applied.
  • Figure 6 illustrates physical channels used in a wireless communication system to which the present disclosure can be applied and a general signal transmission and reception method using them.
  • Figure 7 illustrates the classification of artificial intelligence.
  • Figure 8 illustrates a feed-forward neural network
  • Figure 9 illustrates a Recurrent Neural Network.
  • Figure 10 illustrates a convolutional neural network
  • Figure 11 illustrates an auto encoder
  • Figure 12 illustrates a functional framework for AI operation.
  • Figure 13 is a diagram illustrating split AI inference.
  • Figure 14 illustrates the application of a functional framework in a wireless communication system.
  • Figure 15 illustrates the application of a functional framework in a wireless communication system.
  • 16 illustrates the application of a functional framework in a wireless communication system.
  • FIG. 17 is a diagram illustrating the operation of a base station and a terminal for AI/ML-enhanced CSI feedback to which the present disclosure can be applied.
  • Figure 18 is a diagram for explaining codebook-based and improved codebook-based CSI feedback to which the present disclosure can be applied.
  • FIG. 19 is a diagram illustrating an example of an improved codebook-based CSI transmission method of a terminal according to the present disclosure.
  • Figure 20 is a diagram for explaining an example of an improved codebook-based CSI reception method of a base station according to the present disclosure.
  • Figure 21 illustrates a block diagram of a wireless communication device according to an embodiment of the present disclosure.
  • a component when a component is said to be “connected,” “coupled,” or “connected” to another component, this is not only a direct connection relationship, but also an indirect connection relationship where another component exists between them. It may also be included. Additionally, in this disclosure, the terms “comprise” or “having” specify the presence of a referenced feature, step, operation, element, and/or component, but may also specify the presence of one or more other features, steps, operations, elements, components, and/or components. It does not rule out the existence or addition of these groups.
  • first”, second, etc. are used only for the purpose of distinguishing one component from another component and are not used to limit the components, and unless specifically mentioned, the terms There is no limitation on the order or importance between them. Accordingly, within the scope of the present disclosure, a first component in one embodiment may be referred to as a second component in another embodiment, and similarly, the second component in one embodiment may be referred to as a first component in another embodiment. It may also be called.
  • This disclosure describes a wireless communication network or wireless communication system, and operations performed in the wireless communication network include controlling the network and transmitting or receiving signals at a device (e.g., a base station) in charge of the wireless communication network. It can be done in the process of receiving, or it can be done in the process of transmitting or receiving signals from a terminal connected to the wireless network to or between terminals.
  • a device e.g., a base station
  • transmitting or receiving a channel includes transmitting or receiving information or signals through the corresponding channel.
  • transmitting a control channel means transmitting control information or signals through the control channel.
  • transmitting a data channel means transmitting data information or signals through a data channel.
  • downlink refers to communication from the base station to the terminal
  • uplink refers to communication from the terminal to the base station
  • DL downlink
  • UL uplink
  • the transmitter may be part of the base station and the receiver may be part of the terminal.
  • the transmitter may be part of the terminal and the receiver may be part of the base station.
  • the base station may be represented as a first communication device
  • the terminal may be represented as a second communication device.
  • a base station (BS) is a fixed station, Node B, evolved-NodeB (eNB), Next Generation NodeB (gNB), base transceiver system (BTS), access point (AP), and network (5G).
  • eNB evolved-NodeB
  • gNB Next Generation NodeB
  • BTS base transceiver system
  • AP access point
  • 5G network
  • the terminal may be fixed or mobile, and may include UE (User Equipment), MS (Mobile Station), UT (user terminal), MSS (Mobile Subscriber Station), SS (Subscriber Station), and AMS (Advanced Mobile).
  • UE User Equipment
  • MS Mobile Station
  • UT user terminal
  • MSS Mobile Subscriber Station
  • SS Subscriber Station
  • AMS Advanced Mobile
  • MTC Machine-Type Communication
  • M2M Machine-to-Machine
  • D2D Device-to-Device
  • vehicle RSU (road side unit)
  • robot AI (Artificial Intelligence) module
  • UAV Unmanned Aerial Vehicle
  • AR Algmented Reality
  • VR Virtual Reality
  • CDMA can be implemented with wireless technologies such as Universal Terrestrial Radio Access (UTRA) or CDMA2000.
  • TDMA can be implemented with wireless technologies such as Global System for Mobile communications (GSM)/General Packet Radio Service (GPRS)/Enhanced Data Rates for GSM Evolution (EDGE).
  • EDGE Enhanced Data Rates for GSM Evolution
  • OFDMA can be implemented with wireless technologies such as IEEE 802.11 (Wi-Fi), IEEE 802.16 (WiMAX), IEEE 802-20, Evolved UTRA (E-UTRA), etc.
  • UTRA is part of the Universal Mobile Telecommunications System (UMTS).
  • 3rd Generation Partnership Project (3GPP) Long Term Evolution (LTE) is part of Evolved UMTS (E-UMTS) using E-UTRA
  • LTE-A (Advanced)/LTE-A pro is an evolved version of 3GPP LTE
  • 3GPP NR New Radio or New Radio Access Technology
  • 3GPP LTE/LTE-A/LTE-A pro is an evolved version of 3GPP LTE/LTE-A/LTE-A pro.
  • LTE refers to technology after 3GPP TS (Technical Specification) 36.xxx Release 8.
  • LTE technology after 3GPP TS 36.xxx Release 10 is referred to as LTE-A
  • LTE technology after 3GPP TS 36.xxx Release 13 is referred to as LTE-A pro
  • 3GPP NR refers to technology after TS 38.xxx Release 15.
  • LTE/NR may be referred to as a 3GPP system.
  • “xxx” refers to the standard document detail number.
  • LTE/NR can be collectively referred to as a 3GPP system.
  • terms, abbreviations, etc. used in the description of the present disclosure reference may be made to matters described in standard documents published prior to the present disclosure. For example, you can refer to the following document:
  • TS 36.211 Physical Channels and Modulation
  • TS 36.212 Multiplexing and Channel Coding
  • TS 36.213 Physical Layer Procedures
  • TS 36.300 General Description
  • TS 36.331 Radio Resource Control
  • TS 38.211 physical channels and modulation
  • TS 38.212 multiplexing and channel coding
  • TS 38.213 physical layer procedures for control
  • TS 38.214 physical layer procedures for data
  • TS 38.300 Overall description of NR and NG-RAN (New Generation-Radio Access Network)
  • TS 38.331 Radio Resource Control Protocol Specification
  • channel state information - reference signal resource indicator channel state information - reference signal resource indicator
  • Synchronization signal block (including primary synchronization signal (PSS: primary synchronization signal), secondary synchronization signal (SSS: secondary synchronization signal), and physical broadcast channel (PBCH: physical broadcast channel))
  • PSS primary synchronization signal
  • SSS secondary synchronization signal
  • PBCH physical broadcast channel
  • NR is an expression representing an example of 5G RAT.
  • the new RAT system including NR uses OFDM transmission method or similar transmission method.
  • the new RAT system may follow OFDM parameters that are different from those of LTE.
  • the new RAT system follows the numerology of existing LTE/LTE-A but can support a larger system bandwidth (for example, 100 MHz).
  • one cell may support multiple numerologies. In other words, terminals operating with different numerologies can coexist within one cell.
  • Numerology corresponds to one subcarrier spacing in the frequency domain.
  • different numerologies can be defined.
  • FIG. 1 illustrates the structure of a wireless communication system to which the present disclosure can be applied.
  • NG-RAN is a NG-Radio Access (NG-RA) user plane (i.e., a new access stratum (AS) sublayer/Packet Data Convergence Protocol (PDCP)/Radio Link Control (RLC)/MAC/ It consists of gNBs that provide PHY) and control plane (RRC) protocol termination for the UE.
  • the gNBs are interconnected through the Xn interface.
  • the gNB is also connected to NGC (New Generation Core) through the NG interface. More specifically, the gNB is connected to the Access and Mobility Management Function (AMF) through the N2 interface and to the User Plane Function (UPF) through the N3 interface.
  • AMF Access and Mobility Management Function
  • UPF User Plane Function
  • FIG. 2 illustrates a frame structure in a wireless communication system to which the present disclosure can be applied.
  • numerology can be defined by subcarrier spacing and Cyclic Prefix (CP) overhead.
  • CP Cyclic Prefix
  • multiple subcarrier spacing can be derived by scaling the basic (reference) subcarrier spacing by an integer N (or ⁇ ).
  • N or ⁇
  • the numerology used can be selected independently of the frequency band.
  • various frame structures according to multiple numerologies can be supported.
  • OFDM numerology and frame structures that can be considered in the NR system.
  • Multiple OFDM numerologies supported in the NR system can be defined as Table 1 below.
  • NR supports multiple numerologies (or subcarrier spacing (SCS)) to support various 5G services. For example, if SCS is 15kHz, it supports wide area in traditional cellular bands, and if SCS is 30kHz/60kHz, it supports dense-urban, lower latency. and a wider carrier bandwidth, and when SCS is 60kHz or higher, it supports a bandwidth greater than 24.25GHz to overcome phase noise.
  • the NR frequency band is defined as two types of frequency ranges (FR1, FR2).
  • FR1 and FR2 can be configured as shown in Table 2 below. Additionally, FR2 may mean millimeter wave (mmW).
  • ⁇ f max 480 ⁇ 10 3 Hz
  • N f 4096.
  • slots are numbered in increasing order of n s ⁇ ⁇ 0,..., N slot subframe, ⁇ -1 ⁇ within a subframe, and within a radio frame. They are numbered in increasing order: n s,f ⁇ ⁇ 0,..., N slot frame, ⁇ -1 ⁇ .
  • One slot consists of consecutive OFDM symbols of N symb slots , and N symb slots are determined according to CP.
  • the start of slot n s ⁇ in a subframe is temporally aligned with the start of OFDM symbol n s ⁇ N symb slot in the same subframe. Not all terminals can transmit and receive at the same time, which means that not all OFDM symbols in a downlink slot or uplink slot can be used.
  • Table 3 shows the number of OFDM symbols per slot (N symb slot ), the number of slots per wireless frame (N slot frame, ⁇ ), and the number of slots per subframe (N slot subframe, ⁇ ) in the general CP.
  • Table 4 represents the number of OFDM symbols per slot, the number of slots per radio frame, and the number of slots per subframe in the extended CP.
  • 1 subframe may include 4 slots.
  • a mini-slot may contain 2, 4, or 7 symbols, or may contain more or fewer symbols.
  • the antenna port Antenna port, resource grid, resource element, resource block, carrier part, etc. may be considered.
  • the antenna port is defined so that a channel carrying a symbol on the antenna port can be inferred from a channel carrying another symbol on the same antenna port. If the large-scale properties of the channel carrying the symbols on one antenna port can be inferred from the channel carrying the symbols on the other antenna port, the two antenna ports are quasi co-located or QC/QCL. It can be said that they are in a quasi co-location relationship.
  • the wide range characteristics include one or more of delay spread, Doppler spread, frequency shift, average received power, and received timing. 3 illustrates a resource grid in a wireless communication system to which this disclosure can be applied.
  • the resource grid is composed of N RB ⁇ N sc RB subcarriers in the frequency domain, and one subframe is composed of 14 ⁇ 2 ⁇ OFDM symbols, but is limited to this. It doesn't work.
  • the transmitted signal is described by one or more resource grids consisting of N RB ⁇ N sc RB subcarriers and OFDM symbols of 2 ⁇ N symb ( ⁇ ) .
  • N RB ⁇ ⁇ N RB max, ⁇ The N RB max, ⁇ represents the maximum transmission bandwidth, which may vary between uplink and downlink as well as numerologies.
  • one resource grid can be set for each ⁇ and antenna port p.
  • Each element of the resource grid for ⁇ and antenna port p is referred to as a resource element, with an index pair (k, ) is uniquely identified.
  • the index pair (k,l) is used.
  • l 0,...,N symb ⁇ -1.
  • Point A serves as a common reference point of the resource block grid and is obtained as follows.
  • - offsetToPointA for primary cell (PCell: Primary Cell) downlink represents the frequency offset between point A and the lowest subcarrier of the lowest resource block overlapping with the SS/PBCH block used by the terminal for initial cell selection. It is expressed in resource block units assuming a 15kHz subcarrier spacing for FR1 and a 60kHz subcarrier spacing for FR2.
  • - absoluteFrequencyPointA represents the frequency-position of point A expressed as in ARFCN (absolute radio-frequency channel number).
  • Common resource blocks are numbered upward from 0 in the frequency domain for the subcarrier spacing setting ⁇ .
  • the center of subcarrier 0 of common resource block 0 for the subcarrier interval setting ⁇ coincides with 'point A'.
  • the relationship between the common resource block number n CRB ⁇ and the resource elements (k,l) for the subcarrier interval setting ⁇ is given as Equation 1 below.
  • Physical resource blocks are numbered from 0 to N BWP,i size, ⁇ -1 within the bandwidth part (BWP), where i is the number of the BWP.
  • BWP bandwidth part
  • Equation 2 The relationship between physical resource block n PRB and common resource block n CRB in BWP i is given by Equation 2 below.
  • N BWP,i start, ⁇ is the common resource block from which BWP starts relative to common resource block 0.
  • Figure 4 illustrates a physical resource block in a wireless communication system to which the present disclosure can be applied.
  • Figure 5 illustrates a slot structure in a wireless communication system to which the present disclosure can be applied.
  • a slot includes a plurality of symbols in the time domain. For example, in the case of normal CP, one slot includes 7 symbols, but in the case of extended CP, one slot includes 6 symbols.
  • a carrier wave includes a plurality of subcarriers in the frequency domain.
  • RB Resource Block
  • BWP Bandwidth Part
  • a carrier wave may include up to N (e.g., 5) BWPs. Data communication is performed through an activated BWP, and only one BWP can be activated for one terminal.
  • Each element in the resource grid is referred to as a resource element (RE), and one complex symbol can be mapped.
  • RE resource element
  • the NR system can support up to 400 MHz per one component carrier (CC: Component Carrier). If a terminal operating in such a wideband CC (wideband CC) always operates with the radio frequency (RF) chip for the entire CC turned on, terminal battery consumption may increase.
  • CC Component Carrier
  • RF radio frequency
  • different numerology e.g., subcarrier spacing, etc.
  • the maximum bandwidth capability may be different for each terminal.
  • the base station can instruct the terminal to operate only in a part of the bandwidth rather than the entire bandwidth of the broadband CC, and the part of the bandwidth is defined as a bandwidth part (BWP) for convenience.
  • BWP may be composed of consecutive RBs on the frequency axis and may correspond to one numerology (e.g., subcarrier interval, CP length, slot/mini-slot section).
  • the base station can set multiple BWPs even within one CC set for the terminal. For example, in the PDCCH monitoring slot, a BWP that occupies a relatively small frequency area is set, and the PDSCH indicated by the PDCCH can be scheduled on a larger BWP. Alternatively, if UEs are concentrated in a specific BWP, some UEs can be set to other BWPs for load balancing. Alternatively, considering frequency domain inter-cell interference cancellation between neighboring cells, etc., a portion of the spectrum from the entire bandwidth can be excluded and both BWPs can be set within the same slot. That is, the base station can set at least one DL/UL BWP to a terminal associated with a broadband CC.
  • the base station may activate at least one DL/UL BWP(s) among the DL/UL BWP(s) set at a specific time (by L1 signaling or MAC CE (Control Element) or RRC signaling, etc.). Additionally, the base station may indicate switching to another configured DL/UL BWP (by L1 signaling or MAC CE or RRC signaling, etc.). Alternatively, based on a timer, when the timer value expires, it may be switched to a designated DL/UL BWP. At this time, the activated DL/UL BWP is defined as an active DL/UL BWP.
  • the terminal may not receive settings for the DL/UL BWP, so in these situations, the terminal This assumed DL/UL BWP is defined as the first active DL/UL BWP.
  • Figure 6 illustrates physical channels used in a wireless communication system to which the present disclosure can be applied and a general signal transmission and reception method using them.
  • a terminal receives information from a base station through downlink, and the terminal transmits information to the base station through uplink.
  • the information transmitted and received between the base station and the terminal includes data and various control information, and various physical channels exist depending on the type/purpose of the information they transmit and receive.
  • the terminal When the terminal is turned on or enters a new cell, it performs an initial cell search task such as synchronizing with the base station (S601). To this end, the terminal receives a primary synchronization signal (PSS) and a secondary synchronization signal (SSS) from the base station to synchronize with the base station and obtain information such as a cell identifier (ID: Identifier). You can. Afterwards, the terminal can receive broadcast information within the cell by receiving a physical broadcast channel (PBCH) from the base station. Meanwhile, the terminal can check the downlink channel status by receiving a downlink reference signal (DL RS) in the initial cell search stage.
  • PSS primary synchronization signal
  • SSS secondary synchronization signal
  • ID cell identifier
  • the terminal can receive broadcast information within the cell by receiving a physical broadcast channel (PBCH) from the base station. Meanwhile, the terminal can check the downlink channel status by receiving a downlink reference signal (DL RS) in the initial cell search stage.
  • PBCH physical broadcast channel
  • the terminal After completing the initial cell search, the terminal acquires more specific system information by receiving a physical downlink control channel (PDCCH) and a physical downlink shared channel (PDSCH: physical downlink control channel) according to the information carried in the PDCCH. You can do it (S602).
  • a physical downlink control channel (PDCCH)
  • a physical downlink shared channel (PDSCH: physical downlink control channel)
  • the terminal may perform a random access procedure (RACH) to the base station (steps S603 to S606).
  • RACH random access procedure
  • the terminal may transmit a specific sequence as a preamble through a physical random access channel (PRACH) (S603 and S605) and receive a response message for the preamble through the PDCCH and the corresponding PDSCH ( S604 and S606).
  • PRACH physical random access channel
  • an additional conflict resolution procedure Contention Resolution Procedure
  • the terminal that has performed the above-described procedure then performs PDCCH/PDSCH reception (S607) and Physical Uplink Shared Channel (PUSCH)/Physical Uplink Control Channel (PUCCH) as a general uplink/downlink signal transmission procedure.
  • Physical Uplink Control Channel) transmission (S608) can be performed.
  • the terminal receives downlink control information (DCI) through PDCCH.
  • DCI includes control information such as resource allocation information for the terminal, and has different formats depending on the purpose of use.
  • the control information that the terminal transmits to the base station through the uplink or that the terminal receives from the base station includes downlink/uplink ACK/NACK (Acknowledgement/Non-Acknowledgement) signals, CQI (Channel Quality Indicator), and PMI (Precoding Matrix). Indicator), RI (Rank Indicator), etc.
  • the terminal can transmit control information such as the above-described CQI/PMI/RI through PUSCH and/or PUCCH.
  • Table 5 shows an example of the DCI format in the NR system.
  • DCI format uses 0_0 Scheduling of PUSCH within one cell 0_1 Scheduling of one or multiple PUSCHs in one cell, or instruction of cell group (CG: cell group) downlink feedback information to the UE.
  • CG cell group
  • 0_2 Scheduling of PUSCH within one cell 1_0 Scheduling of PDSCH within one DL cell 1_1 Scheduling of PDSCH within one cell 1_2 Scheduling of PDSCH within one cell
  • DCI format 0_0, 0_1, and 0_2 include resource information related to scheduling of PUSCH (e.g., UL/SUL (Supplementary UL), frequency resource allocation, time resource allocation, frequency hopping, etc.), transport block ( TB: Transport Block) related information (e.g. MCS (Modulation Coding and Scheme), NDI (New Data Indicator), RV (Redundancy Version), etc.), HARQ (Hybrid - Automatic Repeat and request) related information (e.g.
  • DCI format 0_0 is used for scheduling of PUSCH in one cell.
  • the information contained in DCI format 0_0 is checked by CRC (cyclic redundancy check) by C-RNTI (Cell RNTI: Cell Radio Network Temporary Identifier) or CS-RNTI (Configured Scheduling RNTI) or MCS-C-RNTI (Modulation Coding Scheme Cell RNTI).
  • CRC cyclic redundancy check
  • C-RNTI Cell RNTI: Cell Radio Network Temporary Identifier
  • CS-RNTI Configured Scheduling RNTI
  • MCS-C-RNTI Modulation Coding Scheme Cell RNTI
  • DCI format 0_1 is used to indicate scheduling of one or more PUSCHs in one cell or configured grant (CG) downlink feedback information to the terminal.
  • the information included in DCI format 0_1 is transmitted after CRC scrambling by C-RNTI or CS-RNTI or SP-CSI-RNTI (Semi-Persistent CSI RNTI) or MCS-C-RNTI.
  • DCI format 0_2 is used for scheduling PUSCH in one cell.
  • Information included in DCI format 0_2 is transmitted after CRC scrambling by C-RNTI or CS-RNTI or SP-CSI-RNTI or MCS-C-RNTI.
  • DCI format 1_0, 1_1, and 1_2 are resource information related to scheduling of PDSCH (e.g., frequency resource allocation, time resource allocation, virtual resource block (VRB)-physical resource block (PRB) mapping, etc.), transport block (TB) related information (e.g. MCS, NDI, RV, etc.), HARQ related information (e.g. process number, DAI, PDSCH-HARQ feedback timing, etc.), multi-antenna related information (e.g. antenna port , transmission configuration indicator (TCI), sounding reference signal (SRS) request, etc.), PUCCH-related information (e.g., PUCCH power control, PUCCH resource indicator, etc.), and the control information included in each DCI format is Can be predefined.
  • DCI format 1_0 is used for scheduling PDSCH in one DL cell.
  • Information included in DCI format 1_0 is transmitted after CRC scrambling by C-RNTI, CS-RNTI, or MCS-C-RNTI.
  • DCI format 1_1 is used for scheduling PDSCH in one cell.
  • Information included in DCI format 1_1 is transmitted after CRC scrambling by C-RNTI, CS-RNTI, or MCS-C-RNTI.
  • DCI format 1_2 is used for scheduling PDSCH in one cell.
  • Information included in DCI format 1_2 is transmitted after CRC scrambling by C-RNTI, CS-RNTI, or MCS-C-RNTI.
  • CSI-RS channel state information-reference signal
  • L1 layer 1-RSRP (reference signal received) power
  • CSI computation is related to CSI acquisition
  • L1-RSRP computation is related to beam management (BM).
  • CSI channel state information refers to information that can indicate the quality of a wireless channel (or link) formed between a terminal and an antenna port.
  • a terminal e.g. user equipment, UE transmits configuration information related to CSI to a base station (e.g. general Node) through RRC (radio resource control) signaling.
  • B gNB
  • the configuration information related to the CSI includes CSI-IM (interference management) resource-related information, CSI measurement configuration-related information, CSI resource configuration-related information, and CSI-RS resource-related information. Alternatively, it may include at least one of CSI report configuration related information.
  • CSI-IM interference management
  • CSI-IM resource-related information may include CSI-IM resource information, CSI-IM resource set information, etc.
  • a CSI-IM resource set is identified by a CSI-IM resource set ID (identifier), and one resource set includes at least one CSI-IM resource.
  • Each CSI-IM resource is identified by a CSI-IM resource ID.
  • CSI resource configuration related information can be expressed as CSI-ResourceConfig IE.
  • CSI resource configuration-related information defines a group including at least one of NZP (non zero power) CSI-RS resource set, CSI-IM resource set, or CSI-SSB resource set. That is, the CSI resource configuration-related information includes a CSI-RS resource set list, and the CSI-RS resource set list is at least one of the NZP CSI-RS resource set list, CSI-IM resource set list, or CSI-SSB resource set list. It can contain one.
  • a CSI-RS resource set is identified by a CSI-RS resource set ID, and one resource set includes at least one CSI-RS resource.
  • Each CSI-RS resource is identified by a CSI-RS resource ID.
  • Parameters indicating the purpose of CSI-RS may be set for each NZP CSI-RS resource set.
  • CSI report configuration-related information includes a reportConfigType parameter indicating time domain behavior and a reportQuantity parameter indicating the CSI-related quantity to report.
  • the time domain behavior may be periodic, aperiodic, or semi-persistent.
  • the terminal measures CSI based on configuration information related to the CSI.
  • the CSI measurement may include (1) a CSI-RS reception process of the terminal, and (2) a process of calculating CSI through the received CSI-RS, a detailed description of which will be described later.
  • RE (resource element) mapping of CSI-RS resource is set in time and frequency domains by higher layer parameter CSI-RS-ResourceMapping.
  • the terminal reports the measured CSI to the base station.
  • the terminal can omit the report.
  • the terminal may report to the base station.
  • the quantity is set to 'none', it is when an aperiodic TRS is triggered or when repetition is set.
  • the terminal's report can be omitted only when repetition is set to 'ON'.
  • the NR system supports more flexible and dynamic CSI measurement and reporting.
  • the CSI measurement may include a procedure of receiving CSI-RS and acquiring CSI by computating the received CSI-RS.
  • aperiodic/semi-persistent/periodic CM channel measurement
  • IM interference measurement
  • the 4 port NZP CSI-RS RE pattern is used.
  • NR's CSI-IM-based IMR has a similar design to LTE's CSI-IM and is set independently from ZP CSI-RS resources for PDSCH rate matching. And, in NZP CSI-RS based IMR, each port emulates an interference layer (preferred channel and) with precoded NZP CSI-RS. This is for intra-cell interference measurement for a multi-user case and mainly targets MU interference.
  • the base station transmits precoded NZP CSI-RS to the terminal on each port of the configured NZP CSI-RS-based IMR.
  • the terminal assumes a channel/interference layer for each port in the resource set and measures interference.
  • a number of resources are set in the set, and the base station or network indicates a subset of NZP CSI-RS resources for channel/interference measurement through DCI.
  • Each CSI resource setting 'CSI-ResourceConfig' contains configuration for S ⁇ 1 CSI resource set (given by higher layer parameter csi-RS-ResourceSetList).
  • CSI resource setting corresponds to CSI-RS-resourcesetlist.
  • S represents the number of configured CSI-RS resource sets.
  • the configuration for the S ⁇ 1 CSI resource set is each CSI resource set containing CSI-RS resources (consisting of NZP CSI-RS or CSI-IM) and the SS/PBCH block (SSB) used in L1-RSRP computation. ) includes resources.
  • Each CSI resource setting is located in a DL BWP (bandwidth part) identified by the higher layer parameter bwp-id. And, all CSI resource settings linked to the CSI reporting setting have the same DL BWP.
  • the time domain behavior of the CSI-RS resource is indicated by the higher layer parameter resourceType and can be set to aperiodic, periodic, or semi-persistent.
  • the number (S) of set CSI-RS resource sets is limited to '1'.
  • the set period (periodicity) and slot offset (slot offset) are given in the numerology of the associated DL BWP, as given by bwp-id.
  • the same time domain behavior is configured for the CSI-ResourceConfig.
  • the same time domain behavior is configured for the CSI-ResourceConfig.
  • CM channel measurement
  • IM interference measurement
  • the channel measurement resource (CMR) may be NZP CSI-RS for CSI acquisition
  • the interference measurement resource (IMR) may be CSI-IM and NZP CSI-RS for IM.
  • CSI-IM (or ZP CSI-RS for IM) is mainly used for inter-cell interference measurement.
  • NZP CSI-RS for IM is mainly used for intra-cell interference measurement from multi-users.
  • the UE may assume that the CSI-RS resource(s) for channel measurement and the CSI-IM / NZP CSI-RS resource(s) for interference measurement set for one CSI reporting are 'QCL-TypeD' for each resource. .
  • resource setting can mean a resource set list.
  • each trigger state set using the higher layer parameter CSI-AperiodicTriggerState, consists of one or more CSI-ReportConfigs, with each CSI-ReportConfig linked to a periodic, semi-persistent or aperiodic resource setting. It is related.
  • One reporting setting can be connected to up to three resource settings.
  • the resource setting (given by the higher layer parameter resourcesForChannelMeasurement) is for channel measurement for L1-RSRP computation.
  • the first resource setting (given by the higher layer parameter resourcesForChannelMeasurement) is for channel measurement
  • the second resource setting given by csi-IM-ResourcesForInterference or nzp-CSI-RS -ResourcesForInterference
  • the setting is for interference measurement performed on CSI-IM or NZP CSI-RS.
  • the first resource setting (given by resourcesForChannelMeasurement) is for channel measurement
  • the second resource setting (given by csi-IM-ResourcesForInterference) is for CSI-IM-based interference measurement
  • the third resource setting (given by nzp-CSI-RS-ResourcesForInterference) is for NZP CSI-RS-based interference measurement.
  • each CSI-ReportConfig is linked to a periodic or semi-persistent resource setting.
  • the resource setting is for channel measurement for L1-RSRP computation.
  • the first resource setting (given by resourcesForChannelMeasurement) is for channel measurement
  • the second resource setting (given by higher layer parameter csi-IM-ResourcesForInterference) is for the channel measurement performed on CSI-IM. Used for interference measurement.
  • each CSI-RS resource for channel measurement is associated with the CSI-IM resource by resource by the order of CSI-RS resources and CSI-IM resources within the corresponding resource set. .
  • the number of CSI-RS resources for channel measurement is the same as the number of CSI-IM resources.
  • the UE when interference measurement is performed in NZP CSI-RS, the UE does not expect to be set to one or more NZP CSI-RS resources in the associated resource set within the resource setting for channel measurement.
  • a terminal with the higher layer parameter nzp-CSI-RS-ResourcesForInterference set does not expect more than 18 NZP CSI-RS ports to be set within the NZP CSI-RS resource set.
  • the terminal assumes the following.
  • Each NZP CSI-RS port configured for interference measurement corresponds to the interference transmission layer.
  • the time and frequency resources available to the UE are controlled by the base station.
  • Channel state information includes channel quality indicator (CQI), precoding matrix indicator (PMI), CSI-RS resource indicator (CRI), SS/PBCH block resource indicator (SSBRI), layer It may include at least one of indicator (LI), rank indicator (RI), or L1-RSRP.
  • CQI channel quality indicator
  • PMI precoding matrix indicator
  • CRI CSI-RS resource indicator
  • SSBRI SS/PBCH block resource indicator
  • LI indicator
  • RI rank indicator
  • L1-RSRP L1-RSRP
  • the terminal For CQI, PMI, CRI, SSBRI, LI, RI, L1-RSRP, the terminal has N ⁇ 1 CSI-ReportConfig reporting setting, M ⁇ 1 CSI-ResourceConfig resource setting, and a list of one or two trigger states (aperiodicTriggerStateList and semiPersistentOnPUSCH -provided by TriggerStateList) is set by higher layers.
  • aperiodicTriggerStateList each trigger state includes an associated CSI-ReportConfigs list indicating a channel and optionally resource set IDs for interference.
  • each trigger state contains one associated CSI-ReportConfig.
  • time domain behavior of CSI reporting supports periodic, semi-persistent, and aperiodic.
  • Periodic CSI reporting is performed on short PUCCH and long PUCCH.
  • the period and slot offset of Periodic CSI reporting can be set to RRC, see CSI-ReportConfig IE.
  • SP sin-periodic CSI reporting is performed on short PUCCH, long PUCCH, or PUSCH.
  • the period (periodicity) and slot offset (slot offset) are set to RRC, and CSI reporting is activated/deactivated with a separate MAC CE / DCI.
  • SP CSI on PUSCH the periodicity of SP CSI reporting is set to RRC, but the slot offset is not set to RRC, and SP CSI reporting is activated/deactivated by DCI (format 0_1).
  • DCI format 0_1
  • SP-CSI C-RNTI a separate RNTI
  • the first CSI reporting timing follows the PUSCH time domain allocation value indicated in DCI, and the subsequent CSI reporting timing follows the period set by RRC.
  • DCI format 0_1 includes a CSI request field and can activate/deactivate a specific configured SP-CSI trigger state.
  • SP CSI reporting has the same or similar activation/deactivation mechanism as the data transmission mechanism on SPS PUSCH.
  • Aperiodic CSI reporting is performed on PUSCH and is triggered by DCI.
  • information related to the trigger of aperiodic CSI reporting can be delivered/instructed/set through MAC-CE.
  • AP CSI-RS timing is set by RRC, and timing for AP CSI reporting is dynamically controlled by DCI.
  • NR does not apply the method of reporting CSI by dividing it into multiple reporting instances (e.g., transmitting in the order of RI, WB PMI/CQI, and SB PMI/CQI), which was applied to PUCCH-based CSI reporting in LTE. Instead, NR restricts specific CSI reporting from being set in short/long PUCCH, and a CSI omission rule is defined. And, in relation to AP CSI reporting timing, PUSCH symbol/slot location is dynamically indicated by DCI. And, candidate slot offsets are set by RRC. For CSI reporting, slot offset (Y) is set per reporting setting. For UL-SCH, slot offset K2 is set separately.
  • Two CSI latency classes are defined in terms of CSI computation complexity.
  • low latency CSI it is WB CSI with up to 4 ports Type-I codebook or up to 4-ports non-PMI feedback CSI.
  • High latency CSI refers to CSI other than low latency CSI.
  • Z, Z' is defined in the unit of OFDM symbols.
  • Z represents the minimum CSI processing time from receiving the Aperiodic CSI triggering DCI to performing CSI reporting.
  • Z' represents the minimum CSI processing time from receiving a CSI-RS for channel/interference to performing a CSI report.
  • the terminal reports the number of CSIs that can be calculated simultaneously.
  • An antenna port is defined so that a channel carrying a symbol on the antenna port can be inferred from a channel carrying another symbol on the same antenna port. If the properties of the channel carrying the symbols on one antenna port can be inferred from the channel carrying the symbols on the other antenna port, the two antenna ports are QC/QCL (quasi co-located or quasi co-location) ) can be said to be in a relationship.
  • QC/QCL quadsi co-located or quasi co-location
  • the channel characteristics include delay spread, Doppler spread, frequency/Doppler shift, average received power, and received timing/average. delay) and spatial RX parameters.
  • Spatial Rx parameter refers to spatial (reception) channel characteristic parameters such as angle of arrival.
  • the terminal In order for the terminal to decode the PDSCH according to the detected PDCCH with the DCI intended for the terminal and a given serving cell, there is a list of up to M TCI-State configurations in the upper layer parameter PDSCH-Config. can be set.
  • the M depends on UE capabilities.
  • Each TCI-State includes parameters for setting a quasi co-location relationship between one or two DL reference signals and a demodulation reference signal (DM-RS) port of the PDSCH.
  • DM-RS demodulation reference signal
  • Quasi co-location relationship is established with upper layer parameters qcl-Type1 for the first DL RS and qcl-Type2 (if set) for the second DL RS.
  • the QCL types are not the same regardless of whether the references are the same DL RS or different DL RSs.
  • the QCL type corresponding to each DL RS is given by the upper layer parameter qcl-Type of QCL-Info and can take one of the following values:
  • the NZP CSI-RS antenna port is connected to a specific TRS from a QCL-Type A perspective, and a specific SSB and QCL from a QCL-Type D perspective. It can be indicated/set as such.
  • the terminal that receives these instructions/settings receives the corresponding NZP CSI-RS using the Doppler and delay values measured in the QCL-TypeA TRS, and applies the reception beam used for QCL-TypeD SSB reception to the reception of the corresponding NZP CSI-RS. can do.
  • the UE can receive an activation command by MAC CE signaling used to map up to 8 TCI states to the codepoint of the DCI field 'Transmission Configuration Indication'.
  • the indicated mapping between the TCI status and the codepoint of the DCI field 'Transmission Configuration Indication' starts from slot n+3N slot subframe, ⁇ +1. It can be applied.
  • the UE After the UE receives the initial upper layer configuration for TCI states before receiving the activation command, for QCL-TypeA and, if applicable, also for QCL-TypeD, the UE configures the DMRS port of the PDSCH of the serving cell. It can be assumed that is QCLed with the SS/PBCH block determined in the initial access process.
  • the UE can control the PDCCH transmitted on the corresponding CORESET. It can be assumed that the TCI field exists in DCI format 1_1.
  • the UE may assume that the TCI state or QCL assumption for the PDSCH is the same as the TCI state or QCL assumption applied for the CORESET used for PDCCH transmission.
  • the predetermined threshold may be based on reported UE capability.
  • the TCI field in the DCI in the scheduling CC may indicate the activated TCI state of the CC or DL BWP being scheduled.
  • the UE can use the TCI-state according to the value of the 'Transmission Configuration Indication' field of the detected PDCCH with DCI to determine the PDSCH antenna port QCL.
  • the UE sets the DMRS port of the PDSCH of the serving cell to the QCL type parameter (s) given by the indicated TCI state. ) can be assumed to have been QCLed with the RS(s) in TCI status.
  • a predetermined threshold e.g., timeDurationForQCL
  • the indicated TCI state may be based on the activated TCI state of the slot with the scheduled PDSCH.
  • the indicated TCI state may be based on the activated TCI state of the first slot with the scheduled PDSCH, and the UE can use the activated TCI state across the slots with the scheduled PDSCH. You can expect the TCI status to be the same.
  • the UE can expect the tci-PresentInDCI parameter to be set to enable for the corresponding CORESET.
  • the UE determines that the time offset between the reception of the PDCCH detected in the search space set and the corresponding PDSCH is a predetermined threshold. (e.g., timeDurationForQCL) or higher.
  • the time offset between the reception of the DL DCI and the corresponding PDSCH is set to a predetermined threshold (e.g., timeDurationForQCL ), the UE determines that the DMRS port of the PDSCH of the serving cell is monitored by one or more CORESETs in the active BWP of the serving cell with the lowest CORESET-ID in the latest slot monitored by the UE. It can be assumed that QCL parameter(s) used for PDCCH QCL indication of CORESET associated with the search space are QCLed with RS(s).
  • the UE can expect that reception of the PDCCH associated with the corresponding CORESET will be prioritized.
  • This can also be applied to intra-band carrier aggregation (CA) (when PDSCH and CORESET are in different CCs).
  • CA intra-band carrier aggregation
  • the UE may expect the TCI status to indicate one of the following QCL type(s):
  • the UE For aperiodic CSI-RS resources of the NZP-CSI-RS-ResourceSet set including the upper layer parameter trs-Info, the UE has a TCI status set in the NZP-CSI-RS-ResourceSet including the upper layer parameter trs-Info. It can be expected to indicate QCL-TypeA with periodic CSI-RS resources, and, if applicable, QCL-TypeD with the same periodic CSI-RS resources.
  • the UE may expect the TCI status to indicate one of the following QCL type(s): :
  • QCL-TypeB with the CSI-RS resource of the NZP-CSI-RS-ResourceSet set including the upper layer parameter trs-Info.
  • the UE may expect the TCI status to indicate one of the following QCL type(s):
  • the UE can expect the TCI status to indicate one of the following QCL type(s):
  • the UE can expect the TCI status to indicate one of the following QCL type(s):
  • AI/ML artificial intelligence/machine learning
  • various networks are varied according to various environmental parameters (e.g., distribution/location of base stations, distribution/location/material of buildings/furniture, etc., location/movement direction/speed of terminals, climate information, etc.)
  • Base station decision parameter values e.g., transmission/reception power of each base station, transmission power of each terminal, precoder/beam of the base station/terminal, time/frequency resource allocation for each terminal, duplex method of each base station, etc.
  • 3GPP 3rd Generation
  • O-RAN the number of networks
  • studies on this are also actively underway.
  • Figure 7 illustrates the classification of artificial intelligence.
  • AI artificial intelligence
  • Machine Learning refers to a technology in which machines learn patterns for decision-making from data on their own without explicitly programming rules.
  • Deep Learning is an artificial neural network-based model that allows machines to perform feature extraction and judgment from unstructured data all at once.
  • the algorithm relies on a multi-layer network of interconnected nodes for feature extraction and transformation, inspired by the biological nervous system, or Neural Network.
  • Common deep learning network architectures include deep neural networks (DNNs), recurrent neural networks (RNNs), and convolutional neural networks (CNNs).
  • AI can be narrowly referred to as artificial intelligence based on deep learning, but is not limited to this in the present disclosure. That is, in this disclosure, AI (or AI/ML) may collectively refer to automation technologies applied to intelligent machines (e.g., UE, RAN, network nodes, etc.) that can perform tasks like humans.
  • intelligent machines e.g., UE, RAN, network nodes, etc.
  • AI (or AI/ML) can be classified according to various criteria as follows:
  • Offline learning follows a sequential process of database collection, learning, and prediction. In other words, collection and learning can be performed offline, and the completed program can be installed in the field and used for prediction work. Offline learning is where the system does not learn incrementally, the learning is performed using all available collected data and applied to the system without further learning. If learning about new data is necessary, learning can begin again using all new data.
  • It refers to a method of gradually improving performance by incrementally learning additional data using data generated in real time, taking advantage of the fact that data that can be used for recent learning is continuously generated through the Internet. Learning is performed in real time for each (bundle) of specific data collected online, allowing the system to quickly adapt to changing data.
  • centralized learning training data collected from multiple different nodes is reported to the centralized node, and all data resources/storage/learning (e.g., supervised learning (supervised learning, unsupervised learning, reinforcement learning, etc.) are performed in one centralized node.
  • supervised learning supervised learning, unsupervised learning, reinforcement learning, etc.
  • Federated learning is a collective model built on data that exists across distributed data owners. Instead of collecting data into a model, AI/ML models are imported into a data source, allowing local nodes/individual devices to collect data and train their own copies of the model, eliminating the need to report the source data to a central node. In federated learning, the parameters/weights of an AI/ML model can be sent back to the centralized node to support general model training. Federated learning has advantages in terms of increased computation speed and information security. In other words, the process of uploading personal data to the central server is unnecessary, preventing leakage and misuse of personal information.
  • Distributed learning refers to the concept where the machine learning process is scaled and distributed across a cluster of nodes. Training models are split and shared across multiple nodes operating simultaneously to speed up model training.
  • Supervised learning is a machine learning task that aims to learn a mapping function from input to output, given a labeled data set.
  • the input data is called training data and has known labels or results.
  • An example of supervised learning is as follows.
  • KNN k-Nearest Neighbor
  • SVM Support Vector Machines
  • Supervised learning can be further grouped into regression and classification problems, where classification is predicting a label and regression is predicting a quantity.
  • Unsupervised learning is a machine learning task that aims to learn features that describe hidden structures in unlabeled data. The input data is not labeled and there are no known results. Some examples of unsupervised learning include K-means clustering, Principal Component Analysis (PCA), nonlinear Independent Component Analysis (ICA), and Long-Short-Term Memory (LSTM). .
  • PCA Principal Component Analysis
  • ICA nonlinear Independent Component Analysis
  • LSTM Long-Short-Term Memory
  • RL reinforcement learning
  • the agent aims to optimize long-term goals by interacting with the environment based on a trial-and-error process, and is goal-oriented learning based on interaction with the environment.
  • An example of the RL algorithm is as follows.
  • SARSA State-Action-Reward-State-Action
  • reinforcement learning can be grouped into model-based reinforcement learning and model-free reinforcement learning as follows.
  • Model-based reinforcement learning Refers to an RL algorithm that uses a prediction model. Using a model of the various dynamic states of the environment and which states lead to rewards, the probabilities of transitions between states are obtained.
  • Model-free reinforcement learning refers to a RL algorithm based on value or policy that achieves the maximum future reward. Multi-agent environments/states are computationally less complex and do not require an accurate representation of the environment.
  • RL algorithms can also be classified into value-based RL vs. policy-based RL, policy-based RL vs. non-policy RL, etc.
  • Figure 8 illustrates a feed-forward neural network
  • a feed-forward neural network (FFNN) consists of an input layer, a hidden layer, and an output layer.
  • FFNN In FFNN, information is transmitted only from the input layer to the output layer, and if there is a hidden layer, it passes through it.
  • Category 1, Category 2, and Category 3 may be considered in terms of training, and Category 1 and Category 2 may be considered in terms of inference.
  • Figure 9 illustrates a Recurrent Neural Network.
  • Recurrent neural network is a type of artificial neural network in which hidden nodes are connected to directed edges to form a directed cycle. This model is suitable for processing data that appears sequentially, such as voice and text.
  • A represents a neural network
  • x t represents an input value
  • h t represents an output value
  • h t may refer to a state value representing the current state based on time
  • h t-1 may represent a previous state value
  • LSTM Long Short-Term Memory
  • LSTM Long Short-Term Memory
  • Figure 10 illustrates a convolutional neural network
  • CNN Convolutional Neural Network
  • Kernel or filter refers to a unit/structure that applies weight to input of a specific range/unit.
  • the kernel (or filter) can be changed through learning.
  • - Stride refers to the movement range of moving the kernel within the input.
  • Feature map This refers to the result of applying the kernel to the input.
  • Several feature maps can be extracted to ensure robustness to distortion, change, etc.
  • - Padding refers to a value added to adjust the size of the feature map.
  • - Pooling Refers to an operation to reduce the size of the feature map by downsampling the feature map (e.g., max pooling, average pooling).
  • Category 1 Structural information of each layer (e.g. number of hidden layers, padding presence/value, pooling presence/type, etc.)
  • Category 1, Category 2, and Category 3 may be considered in terms of training, and Category 1 and Category 2 may be considered in terms of inference.
  • Figure 11 illustrates an auto encoder
  • Auto encoder receives feature vector x(x 1 , x 2 , x 3 , ...) and generates the same or similar vector x'(x' 1 , x' 2 , x' 3 , . ) ' refers to a neural network that outputs.
  • Auto encoder has the same characteristics as input node and output node. Since the auto encoder reconstructs the input, the output can be referred to as reconstruction. Additionally, auto encoder is a type of unsupervised learning.
  • the loss function of the auto encoder shown in Figure 11 is calculated based on the difference between the input and output. Based on this, the degree of loss of the input is determined and the auto encoder performs an optimization process to minimize the loss. do.
  • AI or AI/ML
  • Data collection Data collected from network nodes, management entities, or UEs, etc. as a basis for AI model training, data analysis, and inference.
  • Model A data driven algorithm applying AI technology that generates a set of outputs containing prediction information and/or decision parameters based on a set of inputs.
  • Figure 12 illustrates a functional framework for AI operation.
  • the data collection function 10 collects input data and provides processed input to the model training function 20 and the model inference function 30. This function provides data.
  • Examples of input data may include measurements from UEs or other network entities, feedback from an actor, and output of an AI model.
  • Data Collection function (10) performs data preparation based on input data and provides input data processed through data preparation.
  • the Data Collection function (10) does not perform specific data preparation (e.g., data pre-processing and cleaning, formatting and transformation) for each AI algorithm. , data preparation common to AI algorithms can be performed.
  • the Model Training function (10) After performing the data preparation process, the Model Training function (10) provides training data (11) to the Model Training function (20) and inference data (12) to the Model Inference function (30). ) is provided.
  • Training Data (11) is data required as input for the AI Model Training function (20).
  • Inference Data (12) is data required as input for the AI Model Inference function (30).
  • the Data Collection function 10 may be performed by a single entity (eg, UE, RAN node, network node, etc.), but may also be performed by a plurality of entities.
  • Training Data (11) and Inference Data (12) can be provided from a plurality of entities to the Model Training function (20) and the Model Inference function (30), respectively.
  • the Model Training function (20) is a function that performs AI model training, validation, and testing that can generate model performance metrics as part of the AI model testing procedure. If necessary, the Model Training function (20) is also responsible for data preparation (e.g., data pre-processing and cleaning, forming and transformation) based on the Training Data (11) provided by the Data Collection function (10).
  • Model Deployment/Update (13) is used to initially deploy the trained, verified, and tested AI model to the Model Inference function (30) or provide an updated model to the Model Inference function (30). do.
  • Model Inference function (30) is a function that provides AI model inference output (16) (e.g., prediction or decision). If applicable, the Model Inference function (30) may provide Model Performance Feedback (14) to the Model Training function (20). In addition, the Model Inference function (30) is also responsible for data preparation (e.g., data pre-processing and cleaning, forming and transformation) based on the Inference Data (12) provided by the Data Collection function (10) when necessary.
  • AI model inference output (16) e.g., prediction or decision
  • the Model Inference function (30) may provide Model Performance Feedback (14) to the Model Training function (20).
  • the Model Inference function (30) is also responsible for data preparation (e.g., data pre-processing and cleaning, forming and transformation) based on the Inference Data (12) provided by the Data Collection function (10) when necessary.
  • Output (16) refers to the inference output of the AI model generated by the Model Inference function (30), and the details of the inference output may vary depending on the use case.
  • Model Performance Feedback (14) can be used to monitor the performance of the AI model, if available; this feedback can also be omitted.
  • the Actor function (40) is a function that receives the output (16) from the Model Inference function (30) and triggers or performs the corresponding task/action. Actor function 40 may trigger tasks/actions on other entities (e.g., one or more UEs, one or more RAN nodes, one or more network nodes, etc.) or on itself.
  • entities e.g., one or more UEs, one or more RAN nodes, one or more network nodes, etc.
  • Feedback (15) can be used to derive training data (11), inference data (12), or to monitor the performance of the AI model and its impact on the network.
  • Training data refers to a data set for learning a model.
  • Test data refers to the data set for final evaluation. This data is unrelated to learning.
  • the training data and validation data within the entire training set can be divided into about 8:2 or 7:3, and if the test is also included, 6:2:2 ( training: validation: test) can be used separately.
  • the cooperation level can be defined as follows, and modifications are possible by combining the following multiple levels or separating any one level.
  • Cat 1 This involves inter-node support to improve the AI/ML algorithms of each node. This applies if the UE receives support from a gNB (for training, adaptation, etc.) and vice versa. At this level, model exchange between network nodes is not required.
  • the functions previously illustrated in FIG. 12 may be implemented in a RAN node (e.g., base station, TRP, central unit (CU) of the base station, etc.), a network node, a network operator's operation administration maintenance (OAM), or a UE. there is.
  • a RAN node e.g., base station, TRP, central unit (CU) of the base station, etc.
  • CU central unit
  • OAM network operator's operation administration maintenance
  • the function illustrated in FIG. 12 may be implemented through cooperation of two or more entities among RAN, network node, network operator's OAM, or UE.
  • one entity may perform some of the functions of FIG. 12 and another entity may perform the remaining functions.
  • transmission/provision of data/information between each function is omitted. It can be.
  • the Model Training function (20) and the Model Inference function (30) are performed by the same entity, the delivery/provision of Model Deployment/Update (13) and Model Performance Feedback (14) can be omitted.
  • any one of the functions illustrated in FIG. 12 may be performed through collaboration between two or more entities among the RAN, a network node, a network operator's OAM, or a UE. This can be referred to as a split AI operation.
  • Figure 13 is a diagram illustrating split AI inference.
  • Figure 13 illustrates a case where, among split AI operations, the Model Inference function is performed in cooperation with an end device such as a UE and a network AI/ML endpoint.
  • Model Training function In addition to the Model Inference function, the Model Training function, Actor, and Data Collection function are each split into multiple parts depending on the current task and environment, and can be performed through cooperation between multiple entities.
  • computation-intensive and energy-intensive parts may be performed at the network endpoint, while personal information-sensitive parts and delay-sensitive parts may be performed on the end device.
  • the end device can execute a task/model from input data to a specific part/layer and then transmit intermediate data to a network endpoint.
  • the network endpoint executes the remaining parts/layers and provides inference outputs to one or more devices that perform the action/task.
  • Figure 14 illustrates the application of a functional framework in a wireless communication system.
  • the AI Model Training function is performed by a network node (e.g., core network node, network operator's OAM, etc.), and the AI Model Inference function is performed by a RAN node (e.g., base station, TRP, base station's CU, etc.) ) exemplifies the case where it is performed.
  • a network node e.g., core network node, network operator's OAM, etc.
  • a RAN node e.g., base station, TRP, base station's CU, etc.
  • Step 1 RAN Node 1 and RAN Node 2 transmit input data (i.e. Training data) for AI Model Training to the network node.
  • RAN Node 1 and RAN Node 2 transmit the data collected from the UE (e.g., UE measurements related to RSRP, RSRQ, SINR of the serving cell and neighboring cells, UE location, speed, etc.) to the network node. You can.
  • Step 2 The network node trains the AI Model using the received training data.
  • Step 3 The network node distributes/updates the AI Model to RAN Node 1 and/or RAN Node 2.
  • RAN Node 1 (and/or RAN Node 2) may continue to perform model training based on the received AI Model.
  • Step 4 RAN Node 1 receives input data (i.e. Inference data) for AI Model Inference from UE and RAN Node 2.
  • input data i.e. Inference data
  • Step 5 RAN Node 1 performs AI Model Inference using the received Inference data to generate output data (e.g., prediction or decision).
  • output data e.g., prediction or decision
  • Step 6 If applicable, RAN Node 1 may send model performance feedback to the network node.
  • Step 7 RAN node 1, RAN node 2, and UE (or 'RAN node 1 and UE', or 'RAN node 1 and RAN node 2') perform an action based on the output data. For example, in the case of load balancing operation, the UE may move from RAN node 1 to RAN node 2.
  • Step 8 RAN node 1 and RAN node 2 transmit feedback information to the network node.
  • Figure 15 illustrates the application of a functional framework in a wireless communication system.
  • Figure 15 illustrates a case where both the AI Model Training function and the AI Model Inference function are performed by a RAN node (e.g., base station, TRP, CU of the base station, etc.).
  • a RAN node e.g., base station, TRP, CU of the base station, etc.
  • Step 1 UE and RAN Node 2 transmit input data (i.e. Training data) for AI Model Training to RAN Node 1.
  • input data i.e. Training data
  • Step 2 RAN Node 1 trains the AI Model using the received training data.
  • Step 3 RAN Node 1 receives input data (i.e. Inference data) for AI Model Inference from UE and RAN Node 2.
  • input data i.e. Inference data
  • Step 4 RAN Node 1 performs AI Model Inference using the received Inference data to generate output data (e.g., prediction or decision).
  • output data e.g., prediction or decision
  • Step 5 RAN node 1, RAN node 2, and UE (or 'RAN node 1 and UE', or 'RAN node 1 and RAN node 2') perform an action based on the output data. For example, in the case of load balancing operation, the UE may move from RAN node 1 to RAN node 2.
  • Step 6 RAN node 2 transmits feedback information to RAN node 1.
  • 16 illustrates the application of a functional framework in a wireless communication system.
  • Figure 16 illustrates a case where the AI Model Training function is performed by a RAN node (e.g., base station, TRP, CU of the base station, etc.), and the AI Model Inference function is performed by the UE.
  • a RAN node e.g., base station, TRP, CU of the base station, etc.
  • the AI Model Inference function is performed by the UE.
  • Step 1 The UE transmits input data (i.e. Training data) for AI Model Training to the RAN node.
  • the RAN node may collect data (e.g., measurements of the UE related to RSRP, RSRQ, SINR of the serving cell and neighboring cells, location of the UE, speed, etc.) from various UEs and/or from other RAN nodes. there is.
  • Step 2 The RAN node trains the AI Model using the received training data.
  • Step 3 The RAN node distributes/updates the AI Model to the UE.
  • the UE may continue to perform model training based on the received AI Model.
  • Step 4 Receive input data (i.e., Inference data) for AI Model Inference from the UE and RAN node (and/or from other UEs).
  • input data i.e., Inference data
  • Step 5 The UE performs AI Model Inference using the received Inference data to generate output data (e.g., prediction or decision).
  • output data e.g., prediction or decision
  • Step 6 If applicable, the UE may send model performance feedback to the RAN node.
  • Step 7 UE and RAN nodes perform actions based on output data.
  • Step 8 The UE transmits feedback information to the RAN node.
  • CSI feedback can be improved based on the NN (eg, DNN) structure described above.
  • This can be called AI/ML-enhanced CSI feedback.
  • the above-described NN structure can be an example for performing AI/ML-improved CSI feedback, and the type/example of the NN structure does not limit the scope of the present disclosure. That is, in this disclosure, the term NN may be used as an example of an AI/ML model, and the AI/ML model refers to a model based on AI and/or ML technology. Although the present disclosure mainly describes using the term AI/ML model, the AI/ML-enhanced CSI feedback of the present disclosure may be performed based on another NN structure and/or AI/ML algorithm.
  • AI/ML-improved CSI feedback based on various NN and/or AI/ML algorithms can be applied to reduce CSI feedback overhead between the base station and the terminal or to increase CSI accuracy.
  • existing codebook-based precoding matrix reporting can be used. This disclosure describes various examples of AI/ML-enhanced CSI feedback applicable to codebook-based precoding matrix reporting.
  • the codebook may correspond to a set of precoding matrices that are predefined/shared between the base station and the terminal.
  • One or more codebooks are defined/shared in advance, and information (e.g., PMI) indicating one or more elements (or codewords) among them may be reported from the terminal to the base station.
  • PMI information indicating one or more elements (or codewords) among them may be reported from the terminal to the base station.
  • the existing codebook includes a limited number of quantized precoding matrices, and PMI can indicate the precoding matrix that is closest to the channel characteristics estimated by the terminal. That is, although the precoding matrix corresponding to the reported PMI is close to the estimated channel characteristics, it has the limitation of being limited to predefined quantized elements.
  • the fact that certain information is defined between the terminal and the base station means that the terminal and the base station know the information without separate signaling between the terminal and the base station; Configured between the terminal and the base station means transmitting/receiving the information through upper layer (eg, RRC) signaling between the terminal and the base station; Indicated between the terminal and the base station means transmitting/receiving the information through lower layer (e.g., L1 (e.g., DCI/UCI), L2 (e.g., MAC-CE)) signaling. You can.
  • L1 e.g., DCI/UCI
  • L2 e.g., MAC-CE
  • FIG. 17 is a diagram illustrating the operation of a base station and a terminal for AI/ML-enhanced CSI feedback to which the present disclosure can be applied.
  • the improved codebook-based CSI in the present disclosure is based on a precoding matrix that goes beyond the limits of the precoding matrix included in the existing codebook and closer to the estimated channel characteristics while using the existing codebook-based precoding matrix report. This may be a way to report more precise CSI.
  • Step S100 of FIG. 17 may include training (or learning of NN parameters) and sharing operations of an AI/ML model (e.g., NN) for obtaining AI/ML-enhanced CSI in each of the base station and the terminal.
  • Training for an AI/ML model (or NN) may be performed at the terminal or on the network side (eg, base station and/or AI/ML server).
  • the base station transmits a signal (e.g., known data/sequence, etc.) for training the NN to the terminal, and in S104-1, the terminal trains the AI/ML model ( or parameter learning for the AI/ML model), and in S106-1, the terminal may report the training results or parameters for the learned AI/ML model to the base station. Parameters for the AI/ML model may be reported to the base station along with the CSI report of S140.
  • a signal e.g., known data/sequence, etc.
  • the terminal trains the AI/ML model (or parameter learning for the AI/ML model)
  • the terminal may report the training results or parameters for the learned AI/ML model to the base station.
  • Parameters for the AI/ML model may be reported to the base station along with the CSI report of S140.
  • training for the AI/ML model is performed on the base station/AI/ML server in S102-2, and training for the AI/ML model is performed in S104-2.
  • Parameters for the result or learned AI/ML model may be provided to the terminal. Accordingly, the terminal can infer the AI/ML model.
  • AI/ML model transfer means that an AI/ML model is passed from one entity to another in some way, and the entity is connected to a network node/function (e.g. gNB, Location Management Function (LMF)). etc.), it may correspond to a terminal proprietary server, etc.
  • a network node/function e.g. gNB, Location Management Function (LMF)). etc.
  • LMF Location Management Function
  • AI/ML model transfer corresponds to the transfer of an AI/ML model through an air interface, and parameters of the model structure known at the receiving end may be transferred, or a new model may be transferred along with the parameters.
  • the delivery may include part or all of the model.
  • the capability information of the terminal related to the AI/ML model may be reported to the base station. Additionally or alternatively, terminal capability information may be reported to the base station along with the CSI report of S140. For example, based on the terminal's capability information, etc., AI/ML model-related setting information, signal-related setting information for AI/ML model training, etc. may be set/instructed to the terminal before S100.
  • S110 to S140 correspond to an operation in which the terminal calculates/acquires CSI based on the CSI-RS transmitted by the base station and reports it to the base station.
  • the CSI-RS settings of S110 may include setting information about resources for CSI-RS transmission, transmission method, etc., and the CSI reporting settings may include setting information about the reporting quantity and reporting method that the terminal must report. It can be included.
  • the base station transmits CSI-RS to the terminal and the terminal can receive it.
  • the UE may calculate/acquire CSI (e.g., CRI, RI, PMI, CQI, LI, etc.) based on the received CSI-RS.
  • the terminal can report the calculated/acquired CSI to the base station.
  • the base station can acquire CSI.
  • the terminal may calculate/acquire AI/ML-improved CSI based on the calculated CSI and AI/ML model in addition to the CSI calculated based on the CSI-RS in S130.
  • the improved CSI can be reported to the base station in S140 together with the CSI or separately.
  • Improved CSI can be obtained in S155.
  • the base station acquires data in S150 based on parameters for the AI/ML model (or an AI/ML model to which parameters for the AI/ML model are applied) reported from or provided to the terminal in S100.
  • Improved CSI can be obtained from CSI from one terminal.
  • the base station may provide information about the channel estimated by the terminal based on parameters for the AI/ML model for the improved CSI (e.g., improved CQI) from the terminal obtained in S155 (e.g., For example, the precoding matrix assumed by the UE to calculate the improved CQI) may be obtained as the improved CSI by the base station.
  • parameters for the AI/ML model for the improved CSI e.g., improved CQI
  • the base station schedules a data channel (e.g., PDSCH) based on the CSI / improved CSI obtained from the terminal (e.g., transmits DCI including scheduling information through PDCCH), and performs scheduling Based on the information, data can be transmitted to the terminal through a data channel.
  • a data channel e.g., PDSCH
  • the base station only refers to the CSI/improved CSI from the terminal when scheduling downlink data, and may not necessarily reflect it.
  • Figure 18 is a diagram for explaining codebook-based and improved codebook-based CSI feedback to which the present disclosure can be applied.
  • Reference numbers shown in FIG. 18 indicate corresponding steps in the example of FIG. 17.
  • Figure 18(a) shows an example of an operation of performing CSI feedback based on a codebook for a precoding matrix shared between a base station and a terminal in an existing wireless communication system and transmitting a data channel with reference to CSI.
  • the terminal receives CSI-RS (S120) and uses the channel can be estimated.
  • the terminal can select/calculate an appropriate precoding matrix W within the set codebook based on the estimated channel (S130).
  • the UE may report CSI such as CRI/RI/CQI, including PMI corresponding to the selected/determined precoding matrix, to the base station (S140).
  • the codebook is a codebook defined in an existing wireless communication system (e.g., one or more codebooks defined variously based on type I/type II, single-panel/multi-panel, port selection, number of CSI reporting layers, etc.) and /or or may include a codebook to be defined in a future wireless communication system.
  • CQI based on the corresponding precoding matrix can be calculated. For example, when reporting of the CQI index is set, in the CSI reference resource, the UE makes various assumptions, including assumptions about the PDSCH transmission technique considering that PDSCH transmission is performed with a maximum of 8 transmission layers, in order to derive the CQI index. can be applied. As given in the following equation, for CQI calculation, the UE uses DPSCH signals on antenna ports [1000, ..., 1000+v-1] for v layers, antenna ports [3000, ..., 3000 +P-1] It can be assumed that it is a signal equivalent to the corresponding symbol transmitted on [+P-1]. In the equation below, W(i) may correspond to the precoding matrix.
  • x(i) [x (0) (i)...x (v-1) (i)]
  • T is the vector of PDSCH symbols from layer mapping, and P ⁇ [1, 2, 4, 8, 12, 16, 24, 32] may correspond to the number of CSI-RS ports. If only one CSI-RS port is configured, W(i) is 1. If the CSI reporting quantity, which is an upper layer parameter in the CSI reporting setting, is set to 'cri-RI-PMI-CQI' or 'cri-RI-LI-PMI-CQI' including CQI reporting, W(i) is It may be a precoding matrix corresponding to the reported PMI applicable to x(i).
  • W(i) can be determined according to a procedure depending on whether the PMI port indication is set. If the CSI reporting quantity, which is an upper layer parameter in the CSI reporting setting, is set to 'cri-RI-i1-CQI' including CQI reporting, W(i) is reported in the procedure according to the codebook type and PMI format indicator. It may be a precoding matrix corresponding to i1 being reported.
  • the PDSCH signal transmitted on antenna port [3000, ..., 3000+P-1] may have a ratio of EPRE to CSI-RS EPRE equal to the ratio given as a predetermined value.
  • the CSI reporting quantity which is an upper layer parameter in the CSI reporting settings, is set to 'cri-RI-PMI-CQI' or 'cri-RI-LI-PMI-CQI' including CQI reporting
  • the corresponding The CSI-RS resource set can be set to two resource groups and N resource pairs
  • the reported CRI can correspond to one entry of the N resource pairs
  • the reported rank combination is ⁇ v 1 ,v 2 ⁇ It can be.
  • Figure 18(b) shows an example of an operation of performing AI/ML-enhanced CSI feedback based on an AI/ML model and transmitting a data channel with reference to the AI/ML-enhanced CSI.
  • AI/ML-improved CSI may be called non-codebook-based CSI because it is based on a precoding matrix not included in the codebook.
  • AI/ML model is applied based on the existing codebook-based CSI. To express the features that lead to improved CSI, it is also called improved codebook-based CSI.
  • CSI-RS reception S120
  • channel estimation CSI calculation including PMI (S130), and CSI reporting (S140)
  • the terminal based on the precoding matrix W selected within the codebook and the trained AI/ML model, the terminal provides a precoding matrix more suitable for the channel estimated by the terminal. can be calculated.
  • the CQI AI corresponding to the AI/ML-improved CSI can be calculated.
  • CQI AI may be reported to the base station in addition to or in place of the existing CQI (i.e., CQI calculated based on a codebook-based precoding matrix).
  • the base station assumes that the terminal calculates the CQI AI based on the PMI reported from the terminal and the reported values for parameters for the AI/ML model that has completed training. can be obtained.
  • the base station performs scheduling for the data channel (e.g., MCS designation for the data channel) based on CQI AI , Based on this, data can be transmitted through a data channel.
  • the operations of the base station and the terminal in the examples described with reference to FIGS. 17 and 18 are merely descriptions of operations mainly assumed in this disclosure, and are not intended to limit the scope of this disclosure.
  • specific terms described in the examples of FIGS. 17 and 18 do not limit specific functions/operations. Accordingly, the functions/operations/methods in the above-described examples are not limited by specific terms, and cases referred to by other terms may also be included in the scope of the present disclosure. Additionally, in the above-described examples, the order of some operations may be changed, some operations may be added, or some operations may be omitted may be included in the scope of the present disclosure.
  • FIG. 19 is a diagram illustrating an example of an improved codebook-based CSI transmission method of a terminal according to the present disclosure.
  • the terminal may receive one or more CSI-RS from the network.
  • CSI-RS transmission may be performed based on CSI-RS settings and/or CSI reporting settings preset to the UE.
  • information on the reporting quantity to be included in one or more CSI reports may be set/instructed to the terminal.
  • the UE may transmit one or more CSIs based on one or more CSI-RSs and including a codebook-based PMI and an improved codebook-based CQI to the network.
  • CSI such as PMI and CQI based on CSI-RS may correspond to CSI indicating channel characteristics estimated by the terminal based on CSI-RS.
  • the codebook-based PMI corresponds to a first precoding matrix, and the first precoding matrix may be included in a precoding matrix set defined by one or more predetermined codebooks.
  • the improved codebook-based CQI can be calculated based on the second precoding matrix.
  • the second precoding matrix may be determined based on the first precoding matrix and one or more AI/ML model-related information.
  • the second precoding matrix may be a precoding matrix that is not included in the precoding matrix set (i.e., one or more predetermined codebook-based precoding matrix(s)) associated with the first precoding matrix.
  • the second precoding matrix corresponds to a relatively finer granularity, corresponds to a channel state at a relatively future time, and/or is It may be a precoding matrix that is relatively closer to the channel estimated by .
  • the second precoding matrix is derived based on an AI/ML model trained based on the channel state estimated by the terminal, is information about the estimated channel itself, and/or is the estimated channel It may be information indicating similarity to .
  • AI/ML model-related information is shared in advance between the network and the terminal, and may include AI/ML model-related information for the terminal and/or network.
  • AI/ML model-related information may include setting information for the AI/ML model, parameters for the AI/ML model, data used to derive setting information/parameters for the AI/ML model, and/or AI/ML model-related information. May include type information about the ML model.
  • Information included in one CSI report may be one or more of a first PMI indicating a first precoding matrix, a first CQI based on the first precoding matrix, or a second CQI based on the second precoding matrix.
  • the first CSI report may include the first PMI and the second CSI report may include the second CQI.
  • the second CQI may be defined as a difference value based on the first CQI.
  • the difference value may correspond to the difference value for CQI index, SNR, SINR, MCS, etc.
  • the size of the frequency band on which the first CQI and the second CQI are based may be set/instructed differently.
  • the second CQI may be reported to the network along with information related to the terminal's AI/ML model. For example, information indicating whether it includes one or more of the first CQI or the second CQI may be included in the CSI report (eg, the first CSI report).
  • the terminal may transmit a request to update AI/ML model-related information to the network.
  • the second CQI value has a specific value or the combination of the second CQI and other CSI information has a specific value, it may correspond to a request to update parameters related to an AI/ML model.
  • the network may interpret that transmission of a new training signal is requested.
  • whether to report the second CQI may be set to the terminal by the network.
  • Figure 20 is a diagram for explaining an example of an improved codebook-based CSI reception method of a base station according to the present disclosure.
  • the base station may transmit one or more CSI-RS to the terminal.
  • the base station may receive one or more CSIs based on one or more CSI-RSs and including a codebook-based PMI and an improved codebook-based CQI from the terminal.
  • the base station may perform resource allocation, data channel scheduling, etc. for the corresponding terminal by referring to the CSI including the improved codebook-based CSI received from the terminal.
  • the terminal selects a first precoding matrix based on a codebook shared between the base station and the terminal, and the terminal derives a second precoding matrix based on the first precoding matrix and AI/ML model-related information.
  • the terminal derives the second CQI based on the second precoding matrix, and a method in which the terminal reports the PMI and the second CQI for the first precoding matrix to the base station will be described.
  • the first precoding matrix corresponds to the codebook-based precoding matrix.
  • the codebook-based precoding matrix is based on codebooks defined in existing wireless communication systems (e.g., Type I/Type II, single-panel/multi-panel, port selection, number of CSI reporting layers, etc. It may be included in a set of precoding matrices defined by one or more codebooks that are variously defined) and/or a codebook to be defined in a future wireless communication system.
  • the terminal can select a precoding matrix from the corresponding precoding matrix set.
  • the second precoding matrix may refer to a precoding matrix that can be derived by the base station/terminal based on the first precoding matrix and AI/ML model-related information.
  • the second precoding matrix may correspond to a precoding matrix that is not shared between the base station and the terminal in a predetermined codebook manner.
  • the second CQI may mean a CQI calculated based on the second precoding matrix according to a predetermined CQI calculation operation (eg, a precoding matrix-based CQI calculation operation described with reference to Equation 3).
  • a predetermined CQI calculation operation eg, a precoding matrix-based CQI calculation operation described with reference to Equation 3.
  • W(i) in Equation 3 is the first precoding matrix. It corresponds to a second precoding matrix that can be derived by the base station/UE based on the matrix (i.e., codebook-based precoding matrix) and AI/ML model-related information.
  • the CSI reporting method itself of the present disclosure is a CSI reporting method defined in an existing wireless communication system, such as a codebook-based PMI reporting and a CQI reporting method (e.g., CSI reporting timing, reporting resources, type of reported information, etc.) This can also be applied as is. Additionally, system performance can be improved by applying NN and/or AI/ML to improve the accuracy of the precoding matrix at the base station/terminal.
  • the base station/terminal shares the same AI/ML model-related information (e.g., setting information for the AI/ML model and/or parameters for the AI/ML model) with each other, and such AI/ML model-related information and Based on the first precoding matrix, the base station and the terminal can derive the same second precoding matrix. Therefore, the terminal may not perform direct reporting on the second precoding matrix and may use the current standard codebook-based PMI reporting method as is.
  • This embodiment relates to a method of deriving a second precoding matrix based on the first precoding matrix and AI/ML model-related information.
  • a second precoding matrix with a relatively denser density than the first precoding matrix may be derived.
  • the subband size that can be set for the UE may be defined.
  • subband sizes of PRBs such as 4, 8, 16, 32, etc. can be set/indicated.
  • the first precoding matrix can be set to be reported in units of at least 4 PRBs.
  • the AI/ML model learned in advance based on the first precoding matrix of x PRB units and wireless channel characteristics, etc.
  • a second precoding matrix of y PRB units may be derived.
  • y can be set/indicated/defined as a value less than or equal to x.
  • a second precoding matrix suitable for a channel at a relatively future time point may be derived compared to the time point at which the first precoding matrix was reported.
  • the accuracy of the reported CSI decreases as time passes compared to the time when the CSI was reported.
  • information related to the AI/ML model learned in advance based on the first precoding matrix and wireless channel characteristics reported at a specific time e.g., AI/ML model setting values and/or AI/ML Based on the model parameters
  • a second precoding matrix suitable for the channel at a future time point can be derived compared to the specific time point at which the first precoding matrix was reported.
  • the optimal precoding matrix from the terminal perspective derived using SVD (singular value decomposition)/EVD (eigen value decomposition), etc. is W opt .
  • a precoding matrix that is as close as possible to W opt is provided. 2 It can also be derived as a precoding matrix.
  • the terminal can estimate the downlink channel based on CSI-RS, etc., and derive the optimal precoding matrix W opt from the terminal's perspective using SVD/EVD, etc. Due to limitations in the CSI feedback payload, the terminal may select the first precoding matrix most similar to W opt from a set of precoding matrices in the codebook that are quantized at a certain level and report it to the base station.
  • a second precoding matrix that is closer to W opt (preferably relatively closer to the first precoding matrix) can be derived.
  • the base station can obtain a more sophisticated precoding matrix, which can have the effect of improving system performance by increasing the strength of the intended signal and reducing the strength of the interference signal.
  • AI/ML model training may be performed based on the channel measured by the terminal, and PMI/CQI may be derived based on this.
  • the precoding matrix corresponding to the PMI derived through the AI/ML model can be determined as the second precoding matrix.
  • the input to the AI/ML model may be comprised of PMI and/or wireless channel information (e.g., channel delay, delay profile peaks, etc.), such as in a supervised learning approach, and the AI
  • the output of the /ML model may be configured as an estimated channel and/or similarity to the estimated channel.
  • information about the estimated channel and/or information about the similarity with the estimated channel may be reported to the base station as a CQI based on the second precoding matrix.
  • information about the estimated channel and/or information about the similarity with the estimated channel may be reported to the base station as a CQI based on the second precoding matrix and a separate AI/ML-based CSI.
  • This embodiment relates to a method for a base station and a terminal to share information related to an AI/ML model for deriving a second precoding matrix.
  • AI/ML model-related information may include AI/ML model setting information and/or AI/ML model parameters, as described above.
  • AI/ML model-related information may include the number of convolution layers, number of hidden layers, whether padding is used, padding value, padding size, whether pooling is used, or pooling. It may include one or more of the types.
  • the number of convolution layers may be defined to include input layers and/or output layers. Whether padding/padding value/padding size/whether pooling/pooling type, etc. may be set/instructed/defined/reported for the entire layer, each layer, and/or a specific layer, respectively.
  • AI/ML model-related information may include: number of kernels, size of kernels (e.g., 1D and/or 2D), activation function of each layer/kernel, stride value of each layer/kernel, kernel It may include one or more of weight values, a combination of weight values, or a bias value of each layer/kernel.
  • variables for kernels/weights may be set/instructed/defined/reported for the entire layer, each layer, the entire kernel, a specific layer, each kernel, and/or a specific kernel, respectively.
  • AI/ML model related information may include one or more of a loss function type, or an optimizer type.
  • AI/ML model-related information some information, a combination of some information, and/or all information may be reported/set/instructed/defined.
  • the base station sets/instructs the terminal to provide information related to the AI/ML model of the base station (or information related to the AI/ML model assumed by the base station, or information related to the AI/ML model assumed by the terminal), It may be configured/instructed through L1 signaling (eg, DCI/UCI), L2 signaling (eg, MAC CE), or RRC signaling.
  • L1 signaling eg, DCI/UCI
  • L2 signaling eg, MAC CE
  • RRC signaling e.g, RRC signaling
  • the terminal when the terminal reports information related to the terminal's AI/ML model (or information related to the AI/ML model assumed by the terminal) to the base station, one or more of terminal capability information or CSI reporting ( or together with it) may be reported.
  • known data eg, known signal/sequence, etc.
  • the terminal may perform training on an AI/ML model based on known data.
  • AI/ML model-related information in order to define AI/ML model-related information, a type for one or more AI/ML algorithms/models/modules is defined, and information about a specific type is set/instructed to the terminal, and/or Can be reported to the base station.
  • the AI/ML model-related information in the above-described examples corresponds to an example for performing AI/ML-improved CSI feedback and does not limit the scope of the present disclosure. Accordingly, methods for performing AI/ML-enhanced CSI feedback based on AI/ML model-related information different from the examples described above may also be included in the scope of the present disclosure.
  • PMI, first CQI, and second CQI for the first precoding matrix may all be reported.
  • PMI precoding matrix index PMI
  • second CQI for the first precoding matrix may be reported.
  • the second CQI may be reported together with CSI reporting, such as PMI, or may be reported separately (eg, at an independent time) from CSI reporting, such as PMI.
  • the second CQI may be reported together.
  • different reporting band sizes may be set/indicated for the first CQI and the second CQI.
  • the second CQI may be reported as a difference value for one or more of SNR, SINR, CQI, or MCS (e.g., a difference value with the first CQI as a reference).
  • the second CQI when the first CQI is reported, the second CQI may be reported as a differential value using the first CQI as a reference.
  • the first CQI may be reported simultaneously with the second CQI or within one CSI reporting procedure, and the first CQI may correspond to the most recently reported CQI before reporting the second CQI.
  • the reported CSI (i.e., reporting quantity) is set/instructed to the UE through L1 signaling (e.g., DCI/UCI), L2 signaling (e.g., MAC CE), or RRC signaling. It could be.
  • L1 signaling e.g., DCI/UCI
  • L2 signaling e.g., MAC CE
  • RRC signaling It could be.
  • the terminal may select whether to report a non-AI/ML-based first CQI or an AI/ML-based second CQI. For example, the terminal may decide whether to report improved codebook-based CSI based on the AI/ML model status (eg, whether the AI/ML model is updated). Additionally, the UE may report information (e.g., selection information) about whether it reports which CQI (or reports improved codebook-based CSI) to the base station. For example, selection information may be included in the first part when the CSI report includes multiple parts.
  • This embodiment relates to a method for the terminal to report an update request for AI/ML model-related information to the base station.
  • the base station reports AI/ML model related information (e.g., AI/ML model setting value and/or AI /ML model parameters) can be interpreted as requiring an update.
  • AI/ML model related information e.g., AI/ML model setting value and/or AI /ML model parameters
  • the combination of the second CQI and other CSI may correspond to an update request for AI/ML model related information.
  • the base station may provide a new training signal to the terminal.
  • This embodiment relates to a method for the network to set/instruct the terminal whether to report improved codebook-based CSI (eg, second CQI).
  • improved codebook-based CSI eg, second CQI
  • the base station when receiving reporting information corresponding to an update request for AI/ML model-related information from the terminal, the base station reports improved codebook-based CSI (e.g., second CQI) to the terminal. You can set it not to do it (i.e., turn it off).
  • codebook-based CSI e.g., second CQI
  • whether to report improved codebook-based CSI is set/instructed to the UE through L1 signaling (e.g., DCI/UCI), L2 signaling (e.g., MAC CE), or RRC signaling. It could be.
  • L1 signaling e.g., DCI/UCI
  • L2 signaling e.g., MAC CE
  • RRC signaling It could be.
  • an improved codebook-based CSI e.g., a codebook-based first precoding matrix and a second precoding matrix calculated based on AI/ML model related information, and a second precoding
  • the need for reporting of the 2nd CQI may vary depending on how well the AI/ML model settings and AI/ML model parameters of the base station and the terminal are configured (or updated).
  • the terminal has acquired accurate AI/ML model settings and AI/ML model parameters through sufficient training, and reports the second CQI to the base station so that the base station and the terminal can obtain accurate AI/ML model settings and AI/ML model settings.
  • the second precoding matrix can be derived from the second CQI based on the model parameter, scheduling and data transmission more suitable for the UE can be performed based on the second precoding matrix and the second CQI.
  • the improved codebook-based second precoding matrix and second 2 CQI may not contribute to improving the performance of wireless communication systems.
  • the terminal may be dynamically set/instructed whether to report the second CQI (based on the update status of AI/ML model-related information).
  • Figure 21 illustrates a block diagram of a wireless communication device according to an embodiment of the present disclosure.
  • the first wireless device 100 and the second wireless device 200 may transmit and receive wireless signals through various wireless access technologies (eg, LTE, NR).
  • various wireless access technologies eg, LTE, NR.
  • the first wireless device 100 includes one or more processors 102 and one or more memories 104, and may additionally include one or more transceivers 106 and/or one or more antennas 108.
  • Processor 102 controls memory 104 and/or transceiver 106 and may be configured to implement the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this disclosure.
  • the processor 102 may process information in the memory 104 to generate first information/signal and then transmit a wireless signal including the first information/signal through the transceiver 106.
  • the processor 102 may receive a wireless signal including the second information/signal through the transceiver 106 and then store information obtained from signal processing of the second information/signal in the memory 104.
  • the memory 104 may be connected to the processor 102 and may store various information related to the operation of the processor 102. For example, memory 104 may perform some or all of the processes controlled by processor 102 or instructions for performing the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this disclosure. Software code containing them can be stored.
  • the processor 102 and memory 104 may be part of a communication modem/circuit/chip designed to implement wireless communication technology (eg, LTE, NR).
  • Transceiver 106 may be coupled to processor 102 and may transmit and/or receive wireless signals via one or more antennas 108. Transceiver 106 may include a transmitter and/or receiver. The transceiver 106 can be used interchangeably with an RF (Radio Frequency) unit.
  • a wireless device may mean a communication modem/circuit/chip.
  • the second wireless device 200 includes one or more processors 202, one or more memories 204, and may further include one or more transceivers 206 and/or one or more antennas 208.
  • Processor 202 controls memory 204 and/or transceiver 206 and may be configured to implement the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this disclosure.
  • the processor 202 may process the information in the memory 204 to generate third information/signal and then transmit a wireless signal including the third information/signal through the transceiver 206.
  • the processor 202 may receive a wireless signal including the fourth information/signal through the transceiver 206 and then store information obtained from signal processing of the fourth information/signal in the memory 204.
  • the memory 204 may be connected to the processor 202 and may store various information related to the operation of the processor 202. For example, memory 204 may perform some or all of the processes controlled by processor 202 or instructions for performing the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this disclosure. Software code containing them can be stored.
  • the processor 202 and memory 204 may be part of a communication modem/circuit/chip designed to implement wireless communication technology (eg, LTE, NR).
  • Transceiver 206 may be coupled to processor 202 and may transmit and/or receive wireless signals via one or more antennas 208. Transceiver 206 may include a transmitter and/or receiver. Transceiver 206 may be used interchangeably with an RF unit.
  • a wireless device may mean a communication modem/circuit/chip.
  • one or more protocol layers may be implemented by one or more processors 102, 202.
  • one or more processors 102, 202 may implement one or more layers (e.g., functional layers such as PHY, MAC, RLC, PDCP, RRC, SDAP).
  • One or more processors 102, 202 may generate one or more Protocol Data Units (PDUs) and/or one or more Service Data Units (SDUs) according to the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this disclosure. can be created.
  • PDUs Protocol Data Units
  • SDUs Service Data Units
  • One or more processors 102, 202 may generate messages, control information, data, or information according to the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this disclosure.
  • One or more processors 102, 202 may process signals (e.g., baseband signals) containing PDUs, SDUs, messages, control information, data or information according to the functions, procedures, proposals and/or methods disclosed in this disclosure. It can be generated and provided to one or more transceivers (106, 206).
  • One or more processors 102, 202 may receive signals (e.g., baseband signals) from one or more transceivers 106, 206 and may use the descriptions, functions, procedures, suggestions, methods, and/or methods disclosed in this disclosure.
  • PDU, SDU, message, control information, data or information can be obtained according to the operation flow charts.
  • One or more processors 102, 202 may be referred to as a controller, microcontroller, microprocessor, or microcomputer.
  • One or more processors 102, 202 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
  • the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this disclosure may be implemented using firmware or software, and the firmware or software may be implemented to include modules, procedures, functions, etc.
  • Firmware or software configured to perform the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this disclosure may be included in one or more processors (102, 202) or stored in one or more memories (104, 204). It may be driven by the above processors 102 and 202.
  • the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this disclosure may be implemented using firmware or software in the form of codes, instructions, and/or sets of instructions.
  • One or more memories 104, 204 may be connected to one or more processors 102, 202 and may store various types of data, signals, messages, information, programs, codes, instructions, and/or instructions.
  • One or more memories 104, 204 may consist of ROM, RAM, EPROM, flash memory, hard drives, registers, cache memory, computer readable storage media, and/or combinations thereof.
  • One or more memories 104, 204 may be located internal to and/or external to one or more processors 102, 202. Additionally, one or more memories 104, 204 may be connected to one or more processors 102, 202 through various technologies, such as wired or wireless connections.
  • One or more transceivers 106 and 206 may transmit user data, control information, wireless signals/channels, etc. mentioned in the methods and/or operation flowcharts of the present disclosure to one or more other devices.
  • One or more transceivers 106, 206 may receive user data, control information, wireless signals/channels, etc. referred to in the descriptions, functions, procedures, suggestions, methods and/or operational flow charts, etc. disclosed in this disclosure from one or more other devices. there is.
  • one or more transceivers 106 and 206 may be connected to one or more processors 102 and 202 and may transmit and receive wireless signals.
  • one or more processors 102, 202 may control one or more transceivers 106, 206 to transmit user data, control information, or wireless signals to one or more other devices. Additionally, one or more processors 102, 202 may control one or more transceivers 106, 206 to receive user data, control information, or wireless signals from one or more other devices. In addition, one or more transceivers (106, 206) may be connected to one or more antennas (108, 208), and one or more transceivers (106, 206) may be connected to the one or more antennas (108, 208) according to the description and functions disclosed in the present disclosure. , may be set to transmit and receive user data, control information, wireless signals/channels, etc.
  • the one or more antennas may be a plurality of physical antennas or a plurality of logical antennas (eg, antenna ports).
  • One or more transceivers (106, 206) process the received user data, control information, wireless signals/channels, etc. using one or more processors (102, 202), and convert the received wireless signals/channels, etc. from the RF band signal. It can be converted to a baseband signal.
  • One or more transceivers (106, 206) may convert user data, control information, wireless signals/channels, etc. processed using one or more processors (102, 202) from baseband signals to RF band signals.
  • one or more transceivers 106, 206 may comprise (analog) oscillators and/or filters.
  • the scope of the present disclosure is software or machine-executable instructions (e.g., operating system, application, firmware, program, etc.) that cause operations according to the methods of various embodiments to be executed on a device or computer, and such software or It includes non-transitory computer-readable medium in which instructions, etc. are stored and can be executed on a device or computer. Instructions that may be used to program a processing system to perform the features described in this disclosure may be stored on/in a storage medium or computer-readable storage medium and may be viewed using a computer program product including such storage medium. Features described in the disclosure may be implemented.
  • Storage media may include, but are not limited to, high-speed random access memory such as DRAM, SRAM, DDR RAM, or other random access solid state memory devices, one or more magnetic disk storage devices, optical disk storage devices, flash memory devices, or It may include non-volatile memory, such as other non-volatile solid state storage devices.
  • Memory optionally includes one or more storage devices located remotely from the processor(s).
  • the memory, or alternatively the non-volatile memory device(s) within the memory includes a non-transitory computer-readable storage medium.
  • Features described in this disclosure may be stored on any one of a machine-readable medium to control the hardware of a processing system and to enable the processing system to interact with other mechanisms utilizing results according to embodiments of the present disclosure. May be integrated into software and/or firmware.
  • Such software or firmware may include, but is not limited to, application code, device drivers, operating systems, and execution environments/containers.
  • the wireless communication technology implemented in the wireless devices 100 and 200 of the present disclosure may include Narrowband Internet of Things for low-power communication as well as LTE, NR, and 6G.
  • NB-IoT technology may be an example of LPWAN (Low Power Wide Area Network) technology and may be implemented in standards such as LTE Cat NB1 and/or LTE Cat NB2, and is limited to the above-mentioned names. no.
  • the wireless communication technology implemented in the wireless devices 100 and 200 of the present disclosure may perform communication based on LTE-M technology.
  • LTE-M technology may be an example of LPWAN technology, and may be called various names such as enhanced Machine Type Communication (eMTC).
  • eMTC enhanced Machine Type Communication
  • LTE-M technologies include 1) LTE CAT 0, 2) LTE Cat M1, 3) LTE Cat M2, 4) LTE non-BL (non-Bandwidth Limited), 5) LTE-MTC, 6) LTE Machine. It can be implemented in at least one of various standards such as Type Communication, and/or 7) LTE M, and is not limited to the above-mentioned names.
  • the wireless communication technology implemented in the wireless devices 100 and 200 of the present disclosure includes at least ZigBee, Bluetooth, and Low Power Wide Area Network (LPWAN) considering low-power communication. It may include any one, and is not limited to the above-mentioned names.
  • ZigBee technology can create personal area networks (PAN) related to small/low-power digital communications based on various standards such as IEEE 802.15.4, and can be called by various names.
  • PAN personal area networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보를 송신 또는 수신하는 방법 및 장치가 개시된다. 본 개시의 일 실시예에 따른 무선 통신 시스템에서 단말에 의해 수행되는 방법은, 하나 이상의 채널 상태 정보(CSI)-참조 신호(RS)를 네트워크로부터 수신하는 단계; 및 상기 하나 이상의 CSI-RS에 기초하는, 제 1 프리코딩 행렬을 지시하는 정보, 및 제 2 프리코딩 행렬에 기반하는 CQI(channel quality indicator)를 포함하는 하나 이상의 CSI 보고를 상기 네트워크에게 송신하는 단계를 포함하고, 상기 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 기반하여 정의되는 프리코딩 행렬 세트에 포함되고, 상기 제 2 프리코딩 행렬은, 상기 제 1 프리코딩 행렬 및 하나 이상의 인공 지능(AI)/머신 러닝(ML) 모델 관련 정보에 기반하여 결정될 수 있다.

Description

무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보 송신 또는 수신 방법 및 장치
본 개시는 무선 통신 시스템에 관한 것으로서, 보다 상세하게 무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보를 송신 또는 수신하는 방법 및 장치에 관한 것이다.
이동 통신 시스템은 사용자의 활동성을 보장하면서 음성 서비스를 제공하기 위해 개발되었다. 그러나 이동통신 시스템은 음성뿐 아니라 데이터 서비스까지 영역을 확장하였으며, 현재에는 폭발적인 트래픽의 증가로 인하여 자원의 부족 현상이 야기되고 사용자들이 보다 고속의 서비스에 대한 요구하므로, 보다 발전된 이동 통신 시스템이 요구되고 있다.
차세대 이동 통신 시스템의 요구 조건은 크게 폭발적인 데이터 트래픽의 수용, 사용자 당 전송률의 획기적인 증가, 대폭 증가된 연결 디바이스 개수의 수용, 매우 낮은 단대단 지연(End-to-End Latency), 고에너지 효율을 지원할 수 있어야 한다. 이를 위하여 이중 연결성(Dual Connectivity), 대규모 다중 입출력(Massive MIMO: Massive Multiple Input Multiple Output), 전이중(In-band Full Duplex), 비직교 다중접속(NOMA: Non-Orthogonal Multiple Access), 초광대역(Super wideband) 지원, 단말 네트워킹(Device Networking) 등 다양한 기술들이 연구되고 있다.
본 개시의 기술적 과제는, 무선 통신 시스템에서 기지국과 단말 간에 미리 정의/공유되는 코드북에 기반하는 채널 상태 정보(CSI)와 구별되는 개선된 코드북-기반 CSI의 송신 또는 수신 방법 및 장치를 제공하는 것이다.
본 개시의 추가적인 기술적 과제는, 무선 통신 시스템에서 코드북-기반 CSI 또는 개선된 코드북-기반 CSI 중의 하나 이상에 대한 단말로부터 기지국으로의 보고 방법 및 장치를 제공하는 것이다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 일 양상에 따른 무선 통신 시스템에서 단말에 의해 수행되는 방법은, 하나 이상의 채널 상태 정보(CSI)-참조 신호(RS)를 네트워크로부터 수신하는 단계; 및 상기 하나 이상의 CSI-RS에 기초하는, 제 1 프리코딩 행렬을 지시하는 정보, 및 제 2 프리코딩 행렬에 기반하는 CQI(channel quality indicator)를 포함하는 하나 이상의 CSI 보고를 상기 네트워크에게 송신하는 단계를 포함하고, 상기 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 기반하여 정의되는 프리코딩 행렬 세트에 포함되고, 상기 제 2 프리코딩 행렬은, 상기 제 1 프리코딩 행렬 및 하나 이상의 인공 지능(AI)/머신 러닝(ML) 모델 관련 정보에 기반하여 결정될 수 있다.
본 개시의 추가적인 양상에 따른 무선 통신 시스템에서 기지국에 의해서 수행되는 방법은, 하나 이상의 채널 상태 정보(CSI)-참조 신호(RS)를 단말에게 송신하는 단계; 및 상기 하나 이상의 CSI-RS에 기초하는, 제 1 프리코딩 행렬을 지시하는 정보, 및 제 2 프리코딩 행렬에 기반하는 CQI(channel quality indicator)를 포함하는 하나 이상의 CSI 보고를 상기 단말로부터 수신하는 단계를 포함하고, 상기 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 기반하여 정의되는 프리코딩 행렬 세트에 포함되고, 상기 제 2 프리코딩 행렬은, 상기 제 1 프리코딩 행렬 및 하나 이상의 인공 지능(AI)/머신 러닝(ML) 모델 관련 정보에 기반하여 결정될 수 있다.
본 개시에 따르면, 무선 통신 시스템에서 기지국과 단말 간에 미리 정의/공유되는 코드북에 기반하는 채널 상태 정보(CSI)와 구별되는 개선된 코드북-기반 CSI의 송신 또는 수신 방법 및 장치가 제공될 수 있다.
본 개시에 따르면, 무선 통신 시스템에서 코드북-기반 CSI 또는 개선된 코드북-기반 CSI 중의 하나 이상에 대한 단말로부터 기지국으로의 보고 방법 및 장치가 제공될 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 개시에 대한 실시예를 제공하고, 상세한 설명과 함께 본 개시의 기술적 특징을 설명한다.
도 1은 본 개시가 적용될 수 있는 무선 통신 시스템의 구조를 예시한다.
도 2는 본 개시가 적용될 수 있는 무선 통신 시스템에서 프레임 구조를 예시한다.
도 3은 본 개시가 적용될 수 있는 무선 통신 시스템에서 자원 그리드(resource grid)를 예시한다.
도 4는 본 개시가 적용될 수 있는 무선 통신 시스템에서 물리 자원 블록(physical resource block)을 예시한다.
도 5는 본 개시가 적용될 수 있는 무선 통신 시스템에서 슬롯 구조를 예시한다.
도 6은 본 개시가 적용될 수 있는 무선 통신 시스템에서 이용되는 물리 채널들 및 이들을 이용한 일반적인 신호 송수신 방법을 예시한다.
도 7은 인공지능의 분류를 예시한다.
도 8은 순방향 신경망(Feed-Forward Neural Network)을 예시한다.
도 9는 순환 신경망(Recurrent Neural Network)을 예시한다.
도 10은 컨볼루션 신경망(Convolutional Neural Network)을 예시한다.
도 11은 오토 인코더(Auto encoder)를 예시한다.
도 12는 AI 동작을 위한 기능적 프레임워크(functional framework)를 예시한다.
도 13은 분할 AI 추론을 예시하는 도면이다.
도 14는 무선 통신 시스템에서 기능적 프레임워크(functional framework)의 적용을 예시한다.
도 15는 무선 통신 시스템에서 기능적 프레임워크(functional framework)의 적용을 예시한다.
도 16은 무선 통신 시스템에서 기능적 프레임워크(functional framework)의 적용을 예시한다.
도 17은 본 개시가 적용될 수 있는 AI/ML-개선된 CSI 피드백을 위한 기지국과 단말의 동작을 예시적으로 나타내는 도면이다.
도 18은 본 개시가 적용될 수 있는 코드북-기반 및 개선된 코드북-기반 CSI 피드백을 설명하기 위한 도면이다.
도 19는 본 개시에 따른 단말의 개선된 코드북-기반 CSI 송신 방법의 일 예시를 설명하기 위한 도면이다.
도 20은 본 개시에 따른 기지국의 개선된 코드북-기반 CSI 수신 방법의 일 예시를 설명하기 위한 도면이다.
도 21은 본 개시의 일 실시예에 따른 무선 통신 장치의 블록 구성도를 예시한다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시형태를 설명하고자 하는 것이며, 본 개시가 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 개시의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 개시가 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.
몇몇 경우, 본 개시의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.
본 개시에 있어서, 어떤 구성요소가 다른 구성요소와 "연결", "결합" 또는 "접속"되어 있다고 할 때, 이는 직접적인 연결관계 뿐만 아니라, 그 사이에 또 다른 구성요소가 존재하는 간접적인 연결관계도 포함할 수 있다. 또한 본 개시에서 용어 "포함한다" 또는 "가진다"는 언급된 특징, 단계, 동작, 요소 및/또는 구성요소의 존재를 특정하지만, 하나 이상의 다른 특징, 단계, 동작, 요소, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는다.
본 개시에 있어서, "제 1", "제 2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용되고 구성요소들을 제한하기 위해서 사용되지 않으며, 특별히 언급되지 않는 한 구성요소들 간의 순서 또는 중요도 등을 한정하지 않는다. 따라서, 본 개시의 범위 내에서 일 실시예에서의 제 1 구성요소는 다른 실시예에서 제 2 구성요소라고 칭할 수도 있고, 마찬가지로 일 실시예에서의 제 2 구성요소를 다른 실시예에서 제 1 구성요소라고 칭할 수도 있다.
본 개시에서 사용된 용어는 특정 실시예에 대한 설명을 위한 것이며 청구범위를 제한하려는 것이 아니다. 실시예의 설명 및 첨부된 청구범위에서 사용되는 바와 같이, 단수 형태는 문맥상 명백하게 다르게 나타내지 않는 한 복수 형태도 포함하도록 의도한 것이다. 본 개시에 사용된 용어 "및/또는"은 관련된 열거 항목 중의 하나를 지칭할 수도 있고, 또는 그 중의 둘 이상의 임의의 및 모든 가능한 조합을 지칭하고 포함하는 것을 의미한다. 또한, 본 개시에서 단어들 사이의 "/"는 달리 설명되지 않는 한 "및/또는"과 동일한 의미를 가진다.
본 개시는 무선 통신 네트워크 또는 무선 통신 시스템을 대상으로 설명하며, 무선 통신 네트워크에서 이루어지는 동작은 해당 무선 통신 네트워크를 관할하는 장치(예를 들어 기지국)에서 네트워크를 제어하고 신호를 송신(transmit) 또는 수신(receive)하는 과정에서 이루어지거나, 해당 무선 네트워크에 결합한 단말에서 네트워크와의 또는 단말간의 신호를 송신 또는 수신하는 과정에서 이루어질 수 있다.
본 개시에서, 채널을 송신 또는 수신한다는 것은 해당 채널을 통해서 정보 또는 신호를 송신 또는 수신한다는 의미를 포함한다. 예를 들어, 제어 채널을 송신한다는 것은, 제어 채널을 통해서 제어 정보 또는 신호를 송신한다는 것을 의미한다. 유사하게, 데이터 채널을 송신한다는 것은, 데이터 채널을 통해서 데이터 정보 또는 신호를 송신한다는 것을 의미한다.
이하에서, 하향링크(DL: downlink)는 기지국에서 단말로의 통신을 의미하며, 상향링크(UL: uplink)는 단말에서 기지국으로의 통신을 의미한다. 하향링크에서 송신기는 기지국의 일부이고, 수신기는 단말의 일부일 수 있다. 상향링크에서 송신기는 단말의 일부이고, 수신기는 기지국의 일부일 수 있다. 기지국은 제1 통신 장치로, 단말은 제2 통신 장치로 표현될 수도 있다. 기지국(BS: Base Station)은 고정국(fixed station), Node B, eNB(evolved-NodeB), gNB(Next Generation NodeB), BTS(base transceiver system), 액세스 포인트(AP: Access Point), 네트워크(5G 네트워크), AI(Artificial Intelligence) 시스템/모듈, RSU(road side unit), 로봇(robot), 드론(UAV: Unmanned Aerial Vehicle), AR(Augmented Reality)장치, VR(Virtual Reality)장치 등의 용어에 의해 대체될 수 있다. 또한, 단말(Terminal)은 고정되거나 이동성을 가질 수 있으며, UE(User Equipment), MS(Mobile Station), UT(user terminal), MSS(Mobile Subscriber Station), SS(Subscriber Station), AMS(Advanced Mobile Station), WT(Wireless terminal), MTC(Machine-Type Communication) 장치, M2M(Machine-to-Machine) 장치, D2D(Device-to-Device) 장치, 차량(vehicle), RSU(road side unit), 로봇(robot), AI(Artificial Intelligence) 모듈, 드론(UAV: Unmanned Aerial Vehicle), AR(Augmented Reality)장치, VR(Virtual Reality)장치 등의 용어로 대체될 수 있다.
이하의 기술은 CDMA, FDMA, TDMA, OFDMA, SC-FDMA 등과 같은 다양한 무선 접속 시스템에 사용될 수 있다. CDMA는 UTRA(Universal Terrestrial Radio Access)나 CDMA2000과 같은 무선 기술로 구현될 수 있다. TDMA는 GSM(Global System for Mobile communications)/GPRS(General Packet Radio Service)/EDGE(Enhanced Data Rates for GSM Evolution)와 같은 무선 기술로 구현될 수 있다. OFDMA는 IEEE 802.11(Wi-Fi), IEEE 802.16(WiMAX), IEEE 802-20, E-UTRA(Evolved UTRA) 등과 같은 무선 기술로 구현될 수 있다. UTRA는 UMTS(Universal Mobile Telecommunications System)의 일부이다. 3GPP(3rd Generation Partnership Project) LTE(Long Term Evolution)은 E-UTRA를 사용하는 E-UMTS(Evolved UMTS)의 일부이고 LTE-A(Advanced)/LTE-A pro는 3GPP LTE의 진화된 버전이다. 3GPP NR(New Radio or New Radio Access Technology)는 3GPP LTE/LTE-A/LTE-A pro의 진화된 버전이다.
설명을 명확하게 하기 위해, 3GPP 통신 시스템(예를 들어, LTE-A, NR)을 기반으로 설명하지만 본 개시의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS(Technical Specification) 36.xxx Release 8 이후의 기술을 의미한다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭된다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미한다. LTE/NR은 3GPP 시스템으로 지칭될 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR은 3GPP 시스템으로 통칭될 수 있다. 본 개시의 설명에 사용된 배경기술, 용어, 약어 등에 관해서는 본 개시 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 예를 들어, 다음 문서를 참조할 수 있다.
3GPP LTE의 경우, TS 36.211(물리 채널들 및 변조), TS 36.212(다중화 및 채널 코딩), TS 36.213(물리 계층 절차들), TS 36.300(전반적인 설명), TS 36.331(무선 자원 제어)을 참조할 수 있다.
3GPP NR의 경우, TS 38.211(물리 채널들 및 변조), TS 38.212(다중화 및 채널 코딩), TS 38.213(제어를 위한 물리 계층 절차들), TS 38.214(데이터를 위한 물리 계층 절차들), TS 38.300(NR 및 NG-RAN(New Generation-Radio Access Network) 전반적인 설명), TS 38.331(무선 자원 제어 프로토콜 규격)을 참조할 수 있다.
본 개시에서 사용될 수 있는 용어들의 약자는 다음과 같이 정의된다.
- BM: 빔 관리(beam management)
- CQI: 채널 품질 지시자(channel quality indicator)
- CRI: 채널 상태 정보 - 참조 신호 자원 지시자(channel state information - reference signal resource indicator)
- CSI: 채널 상태 정보(channel state information)
- CSI-IM: 채널 상태 정보 - 간섭 측정(channel state information - interference measurement)
- CSI-RS: 채널 상태 정보 - 참조 신호(channel state information - reference signal)
- DMRS: 복조 참조 신호(demodulation reference signal)
- FDM: 주파수 분할 다중화(frequency division multiplexing)
- FFT: 고속 푸리에 변환(fast Fourier transform)
- IFDMA: 인터리빙된 주파수 분할 다중 액세스(interleaved frequency division multiple access)
- IFFT: 역 고속 푸리에 변환(inverse fast Fourier transform)
- L1-RSRP: 제1 레이어 참조 신호 수신 파워(Layer 1 reference signal received power)
- L1-RSRQ: 제1 레이어 참조 신호 수신 품질(Layer 1 reference signal received quality)
- MAC: 매체 액세스 제어(medium access control)
- NZP: 논-제로 파워(non-zero power)
- OFDM: 직교 주파수 분할 다중화(orthogonal frequency division multiplexing)
- PDCCH: 물리 하향링크 제어 채널(physical downlink control channel)
- PDSCH: 물리 하향링크 공유 채널(physical downlink shared channel)
- PMI: 프리코딩 행렬 지시자(precoding matrix indicator)
- RE: 자원 요소(resource element)
- RI: 랭크 지시자(Rank indicator)
- RRC: 무선 자원 제어(radio resource control)
- RSSI: 수신 신호 강도 지시자(received signal strength indicator)
- Rx: 수신(Reception)
- QCL: 준-동일 위치(quasi co-location)
- SINR: 신호 대 간섭 및 잡음비(signal to interference and noise ratio)
- SSB (또는 SS/PBCH block): 동기 신호 블록(프라이머리 동기 신호(PSS: primary synchronization signal), 세컨더리 동기 신호(SSS: secondary synchronization signal) 및 물리 방송 채널(PBCH: physical broadcast channel)을 포함)
- TDM: 시간 분할 다중화(time division multiplexing)
- TRP: 전송 및 수신 포인트(transmission and reception point)
- TRS: 트래킹 참조 신호(tracking reference signal)
- Tx: 전송(transmission)
- UE: 사용자 장치(user equipment)
- ZP: 제로 파워(zero power)
시스템 일반
더욱 많은 통신 기기들이 더욱 큰 통신 용량을 요구하게 됨에 따라, 기존의 무선 액세스 기술(RAT: radio access technology)에 비해 향상된 모바일 브로드밴드(mobile broadband) 통신에 대한 필요성이 대두되고 있다. 또한 다수의 기기 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 매시브(massive) MTC(Machine Type Communications) 역시 차세대 통신에서 고려될 주요 이슈 중 하나이다. 뿐만 아니라 신뢰도(reliability) 및 지연(latency)에 민감한 서비스/단말을 고려한 통신 시스템 디자인이 논의되고 있다. 이와 같이 eMBB(enhanced mobile broadband communication), Mmtc(massive MTC), URLLC (Ultra-Reliable and Low Latency Communication) 등을 고려한 차세대 RAT의 도입이 논의되고 있으며, 본 명세서에서는 편의상 해당 기술을 NR이라고 부른다. NR은 5G RAT의 일례를 나타낸 표현이다.
NR을 포함하는 새로운 RAT 시스템은 OFDM 전송 방식 또는 이와 유사한 전송 방식을 사용한다. 새로운 RAT 시스템은 LTE의 OFDM 파라미터들과는 다른 OFDM 파라미터들을 따를 수 있다. 또는 새로운 RAT 시스템은 기존의 LTE/LTE-A의 뉴머롤로지(numerology)를 그대로 따르나 더 큰 시스템 대역폭(예를 들어, 100MHz)를 지원할 수 있다. 또는 하나의 셀이 복수 개의 numerology들을 지원할 수도 있다. 즉, 서로 다른 numerology로 동작하는 하는 단말들이 하나의 셀 안에서 공존할 수 있다.
numerology는 주파수 영역에서 하나의 서브캐리어 간격(subcarrier spacing)에 대응한다. 참조 서브캐리어 간격(Reference subcarrier spacing)을 정수 N으로 스케일링(scaling)함으로써, 상이한 numerology가 정의될 수 있다.
도 1은 본 개시가 적용될 수 있는 무선 통신 시스템의 구조를 예시한다.
도 1을 참조하면, NG-RAN은 NG-RA(NG-Radio Access) 사용자 평면(즉, 새로운 AS(access stratum) 서브계층/PDCP(Packet Data Convergence Protocol)/RLC(Radio Link Control)/MAC/PHY) 및 UE에 대한 제어 평면(RRC) 프로토콜 종단을 제공하는 gNB들로 구성된다. 상기 gNB는 Xn 인터페이스를 통해 상호 연결된다. 상기 gNB는 또한, NG 인터페이스를 통해 NGC(New Generation Core)로 연결된다. 보다 구체적으로는, 상기 gNB는 N2 인터페이스를 통해 AMF(Access and Mobility Management Function)로, N3 인터페이스를 통해 UPF(User Plane Function)로 연결된다.
도 2는 본 개시가 적용될 수 있는 무선 통신 시스템에서 프레임 구조를 예시한다.
NR 시스템은 다수의 뉴머롤로지(numerology)들을 지원할 수 있다. 여기서, numerology는 서브캐리어 간격(subcarrier spacing)과 순환 전치(CP: Cyclic Prefix) 오버헤드에 의해 정의될 수 있다. 이때, 다수의 서브캐리어 간격은 기본(참조) 서브캐리어 간격을 정수 N(또는, μ)으로 스케일링(scaling) 함으로써 유도될 수 있다. 또한, 매우 높은 반송파 주파수에서 매우 낮은 서브캐리어 간격을 이용하지 않는다고 가정될지라도, 이용되는 numerology는 주파수 대역과 독립적으로 선택될 수 있다. 또한, NR 시스템에서는 다수의 numerology에 따른 다양한 프레임 구조들이 지원될 수 있다.
이하, NR 시스템에서 고려될 수 있는 OFDM numerology 및 프레임 구조를 살펴본다. NR 시스템에서 지원되는 다수의 OFDM numerology들은 아래 표 1과 같이 정의될 수 있다.
μ Δf=2μ·15 [kHz] CP
0 15 일반(Normal)
1 30 일반
2 60 일반, 확장(Extended)
3 120 일반
4 240 일반
NR은 다양한 5G 서비스들을 지원하기 위한 다수의 numerology(또는 서브캐리어 간격(SCS: subcarrier spacing))를 지원한다. 예를 들어, SCS가 15kHz인 경우, 전통적인 셀룰러 밴드들에서의 넓은 영역(wide area)를 지원하며, SCS가 30kHz/60kHz인 경우, 밀집한-도시(dense-urban), 더 낮은 지연(lower latency) 및 더 넓은 캐리어 대역폭(wider carrier bandwidth)를 지원하며, SCS가 60kHz 또는 그보다 높은 경우, 위상 잡음(phase noise)를 극복하기 위해 24.25GHz보다 큰 대역폭을 지원한다. NR 주파수 밴드(frequency band)는 2가지 타입(FR1, FR2)의 주파수 범위(frequency range)로 정의된다. FR1, FR2는 아래 표 2와 같이 구성될 수 있다. 또한, FR2는 밀리미터 웨이브(mmW: millimeter wave)를 의미할 수 있다.
주파수 범위 지정(Frequency Range designation) 해당 주파수 범위(Corresponding frequency range) 서브캐리어 간격(Subcarrier Spacing)
FR1 410MHz - 7125MHz 15, 30, 60kHz
FR2 24250MHz - 52600MHz 60, 120, 240kHz
NR 시스템에서의 프레임 구조(frame structure)와 관련하여, 시간 영역의 다양한 필드의 크기는 Tc=1/(Δfmax·Nf) 의 시간 단위의 배수로 표현된다. 여기에서, Δfmax=480·103 Hz 이고, Nf=4096 이다. 하향링크(downlink) 및 상향링크(uplink) 전송은 Tf=1/(ΔfmaxNf/100)·Tc=10ms 의 구간을 가지는 무선 프레임(radio frame)으로 구성(organized)된다. 여기에서, 무선 프레임은 각각 Tsf=(ΔfmaxNf/1000)·Tc=1ms 의 구간을 가지는 10 개의 서브프레임(subframe)들로 구성된다. 이 경우, 상향링크에 대한 한 세트의 프레임들 및 하향링크에 대한 한 세트의 프레임들이 존재할 수 있다. 또한, 단말로부터의 상향링크 프레임 번호 i에서의 전송은 해당 단말에서의 해당 하향링크 프레임의 시작보다 TTA=(NTA+NTA,offset)Tc 이전에 시작해야 한다. 서브캐리어 간격 구성 μ 에 대하여, 슬롯(slot)들은 서브프레임 내에서 ns μ∈{0,..., Nslot subframe,μ-1} 의 증가하는 순서로 번호가 매겨지고, 무선 프레임 내에서 ns,f μ∈{0,..., Nslot frame,μ-1} 의 증가하는 순서로 번호가 매겨진다. 하나의 슬롯은 Nsymb slot 의 연속하는 OFDM 심볼들로 구성되고, Nsymb slot 는, CP에 따라 결정된다. 서브프레임에서 슬롯 ns μ 의 시작은 동일 서브프레임에서 OFDM 심볼 ns μNsymb slot 의 시작과 시간적으로 정렬된다. 모든 단말이 동시에 송신 및 수신을 할 수 있는 것은 아니며, 이는 하향링크 슬롯(downlink slot) 또는 상향링크 슬롯(uplink slot)의 모든 OFDM 심볼들이 이용될 수는 없다는 것을 의미한다. 표 3은 일반 CP에서 슬롯 별 OFDM 심볼의 개수(Nsymb slot), 무선 프레임 별 슬롯의 개수(Nslot frame,μ), 서브프레임 별 슬롯의 개수(Nslot subframe,μ)를 나타내며, 표 4는 확장 CP에서 슬롯 별 OFDM 심볼의 개수, 무선 프레임 별 슬롯의 개수, 서브프레임 별 슬롯의 개수를 나타낸다.
μ Nsymb slot Nslot frame,μ Nslot subframe,μ
0 14 10 1
1 14 20 2
2 14 40 4
3 14 80 8
4 14 160 16
μ Nsymb slot Nslot frame,μ Nslot subframe,μ
2 12 40 4
도 2는, μ=2인 경우(SCS가 60kHz)의 일례로서, 표 3을 참고하면 1 서브프레임(subframe)은 4개의 슬롯(slot)들을 포함할 수 있다. 도 2에 도시된 1 subframe={1,2,4} slot은 일례로서, 1 subframe에 포함될 수 있는 slot(들)의 개수는 표 3 또는 표 4와 같이 정의된다. 또한, 미니 슬롯(mini-slot)은 2, 4 또는 7 심볼들을 포함하거나 그 보다 더 많은 또는 더 적은 심볼들을 포함할 수 있다.NR 시스템에서의 물리 자원(physical resource)과 관련하여, 안테나 포트(antenna port), 자원 그리드(resource grid), 자원 요소(resource element), 자원 블록(resource block), 캐리어 파트(carrier part) 등이 고려될 수 있다. 이하, NR 시스템에서 고려될 수 있는 상기 물리 자원들에 대해 구체적으로 살펴본다. 먼저, 안테나 포트와 관련하여, 안테나 포트는 안테나 포트 상의 심볼이 운반되는 채널이 동일한 안테나 포트 상의 다른 심볼이 운반되는 채널로부터 추론될 수 있도록 정의된다. 하나의 안테나 포트 상의 심볼이 운반되는 채널의 광범위 특성(large-scale property)이 다른 안테나 포트 상의 심볼이 운반되는 채널로부터 유추될 수 있는 경우, 2 개의 안테나 포트는 QC/QCL(quasi co-located 혹은 quasi co-location) 관계에 있다고 할 수 있다. 여기서, 상기 광범위 특성은 지연 확산(Delay spread), 도플러 확산(Doppler spread), 주파수 쉬프트(Frequency shift), 평균 수신 파워(Average received power), 수신 타이밍(Received Timing) 중 하나 이상을 포함한다.도 3은 본 개시가 적용될 수 있는 무선 통신 시스템에서 자원 그리드(resource grid)를 예시한다.
도 3을 참조하면, 자원 그리드가 주파수 영역 상으로 NRB μNsc RB 서브캐리어들로 구성되고, 하나의 서브프레임이 14·2μ OFDM 심볼들로 구성되는 것을 예시적으로 기술하나, 이에 한정되는 것은 아니다. NR 시스템에서, 전송되는 신호(transmitted signal)는 NRB μNsc RB 서브캐리어들로 구성되는 하나 또는 그 이상의 자원 그리드들 및 2μNsymb (μ) 의 OFDM 심볼들에 의해 설명된다. 여기서, NRB μ ≤ NRB max,μ 이다. 상기 NRB max,μ 는 최대 전송 대역폭을 나타내고, 이는, numerology들 뿐만 아니라 상향링크와 하향링크 간에도 달라질 수 있다. 이 경우, μ 및 안테나 포트 p 별로 하나의 자원 그리드가 설정될 수 있다. μ 및 안테나 포트 p에 대한 자원 그리드의 각 요소는 자원 요소(resource element)로 지칭되며, 인덱스 쌍 (k,
Figure PCTKR2023004062-appb-img-000001
)에 의해 고유적으로 식별된다. 여기에서, k=0,...,NRB μNsc RB-1 는 주파수 영역 상의 인덱스이고,
Figure PCTKR2023004062-appb-img-000002
=0,...,2μNsymb (μ)-1 는 서브프레임 내에서 심볼의 위치를 지칭한다. 슬롯에서 자원 요소를 지칭할 때에는, 인덱스 쌍 (k,l) 이 이용된다. 여기서, l=0,...,Nsymb μ-1 이다. μ 및 안테나 포트 p에 대한 자원 요소 (k,
Figure PCTKR2023004062-appb-img-000003
) 는 복소 값(complex value)
Figure PCTKR2023004062-appb-img-000004
에 해당한다. 혼동(confusion)될 위험이 없는 경우 혹은 특정 안테나 포트 또는 numerology가 특정되지 않은 경우에는, 인덱스들 p 및 μ 는 드롭(drop)될 수 있으며, 그 결과 복소 값은
Figure PCTKR2023004062-appb-img-000005
또는
Figure PCTKR2023004062-appb-img-000006
이 될 수 있다. 또한, 자원 블록(resource block, RB)은 주파수 영역 상의 Nsc RB=12 연속적인 서브캐리어들로 정의된다.
포인트(point) A는 자원 블록 그리드의 공통 기준 포인트(common reference point)로서 역할을 하며 다음과 같이 획득된다.
- 프라이머리 셀(PCell: Primary Cell) 다운링크에 대한 offsetToPointA는 초기 셀 선택을 위해 단말에 의해 사용된 SS/PBCH block과 겹치는 가장 낮은 자원 블록의 가장 낮은 서브 캐리어와 point A 간의 주파수 오프셋을 나타낸다. FR1에 대해 15kHz 서브캐리어 간격 및 FR2에 대해 60kHz 서브캐리어 간격을 가정한 리소스 블록 단위(unit)들로 표현된다.
- absoluteFrequencyPointA는 ARFCN(absolute radio-frequency channel number)에서와 같이 표현된 point A의 주파수-위치를 나타낸다.
공통 자원 블록(common resource block)들은 서브캐리어 간격 설정 μ 에 대한 주파수 영역에서 0부터 위쪽으로 numbering된다. 서브캐리어 간격 설정 μ 에 대한 공통 자원 블록 0의 subcarrier 0의 중심은 'point A'와 일치한다. 주파수 영역에서 공통 자원 블록 번호 nCRB μ 와 서브캐리어 간격 설정 μ 에 대한 자원 요소(k,l)와의 관계는 아래 수학식 1과 같이 주어진다.
Figure PCTKR2023004062-appb-img-000007
수학식 1에서, k는 k=0이 point A를 중심으로 하는 서브캐리어에 해당하도록 point A에 상대적으로 정의된다. 물리 자원 블록들은 대역폭 파트(BWP: bandwidth part) 내에서 0부터 NBWP,i size,μ-1 까지 번호가 매겨지고, i는 BWP의 번호이다. BWP i에서 물리 자원 블록 nPRB 와 공통 자원 블록 nCRB 간의 관계는 아래 수학식 2에 의해 주어진다.
Figure PCTKR2023004062-appb-img-000008
NBWP,i start,μ 는 BWP가 공통 자원 블록 0에 상대적으로 시작하는 공통 자원 블록이다.
도 4는 본 개시가 적용될 수 있는 무선 통신 시스템에서 물리 자원 블록(physical resource block)을 예시한다. 그리고, 도 5는 본 개시가 적용될 수 있는 무선 통신 시스템에서 슬롯 구조를 예시한다.
도 4 및 도 5를 참조하면, 슬롯은 시간 도메인에서 복수의 심볼을 포함한다. 예를 들어, 보통 CP의 경우 하나의 슬롯이 7개의 심볼을 포함하나, 확장 CP의 경우 하나의 슬롯이 6개의 심볼을 포함한다.
반송파는 주파수 도메인에서 복수의 부반송파를 포함한다. RB(Resource Block)는 주파수 도메인에서 복수(예를 들어, 12)의 연속한 부반송파로 정의된다. BWP(Bandwidth Part)는 주파수 도메인에서 복수의 연속한 (물리) 자원 블록으로 정의되며, 하나의 numerology(예를 들어, SCS, CP 길이 등)에 대응될 수 있다. 반송파는 최대 N개(예를 들어, 5개)의 BWP를 포함할 수 있다. 데이터 통신은 활성화된 BWP를 통해서 수행되며, 하나의 단말한테는 하나의 BWP만 활성화될 수 있다. 자원 그리드에서 각각의 요소는 자원요소(RE: Resource Element)로 지칭되며, 하나의 복소 심볼이 매핑될 수 있다.
NR 시스템은 하나의 컴포넌트 캐리어(CC: Component Carrier) 당 최대 400 MHz까지 지원될 수 있다. 이러한 광대역 CC(wideband CC)에서 동작하는 단말이 항상 CC 전체에 대한 무선 주파수(RF: radio frequency) 칩(chip)를 켜둔 채로 동작한다면 단말 배터리 소모가 커질 수 있다. 혹은 하나의 광대역 CC 내에 동작하는 여러 활용 케이스들(예를 들어, eMBB, URLLC, Mmtc, V2X 등)을 고려할 때 해당 CC 내에 주파수 대역 별로 서로 다른 numerology(예를 들어, 서브캐리어 간격 등)가 지원될 수 있다. 혹은 단말 별로 최대 대역폭에 대한 능력(capability)이 다를 수 있다. 이를 고려하여 기지국은 광대역 CC의 전체 bandwidth이 아닌 일부 bandwidth에서만 동작하도록 단말에게 지시할 수 있으며, 해당 일부 bandwidth를 편의상 대역폭 부분(BWP: bandwidth part)로 정의한다. BWP는 주파수 축 상에서 연속한 RB들로 구성될 수 있으며, 하나의 numerology(예를 들어, 서브캐리어 간격, CP 길이, 슬롯/미니-슬롯 구간)에 대응될 수 있다.
한편, 기지국은 단말에게 설정된 하나의 CC 내에서도 다수의 BWP를 설정할 수 있다. 예를 들어, PDCCH 모니터링 슬롯에서는 상대적으로 작은 주파수 영역을 차지하는 BWP를 설정하고, PDCCH에서 지시하는 PDSCH는 그보다 큰 BWP 상에 스케줄링될 수 있다. 혹은, 특정 BWP에 UE 들이 몰리는 경우 로드 밸런싱(load balancing)을 위해 일부 단말들을 다른 BWP로 설정할 수 있다. 혹은, 이웃 셀 간의 주파수 도메인 셀간 간섭 제거(frequency domain inter-cell interference cancellation) 등을 고려하여 전체 bandwidth 중 가운데 일부 스펙트럼(spectrum)을 배제하고 양쪽 BWP들을 동일 슬롯 내에서도 설정할 수 있다. 즉, 기지국은 광대역 CC와 연관된(association) 단말에게 적어도 하나의 DL/UL BWP를 설정할 수 있다. 기지국은 특정 시점에 설정된 DL/UL BWP(들) 중 적어도 하나의 DL/UL BWP를 (L1 시그널링 또는 MAC CE(Control Element) 또는 RRC 시그널링 등에 의해) 활성화시킬 수 있다. 또한, 기지국은 다른 설정된 DL/UL BWP로 스위칭을 (L1 시그널링 또는 MAC CE 또는 RRC 시그널링 등에 의해) 지시할 수 있다. 또는, 타이머 기반으로 타이머 값이 만료되면 정해진 DL/UL BWP로 스위칭될 수도 있다. 이때, 활성화된 DL/UL BWP를 활성(active) DL/UL BWP로 정의한다. 하지만, 단말이 최초 접속(initial access) 과정을 수행하는 중이거나, 혹은 RRC 연결이 셋업(set up)되기 전 등의 상황에서는 DL/UL BWP에 대한 설정을 수신하지 못할 수 있으므로, 이러한 상황에서 단말이 가정하는 DL/UL BWP는 최초 활성 DL/UL BWP라고 정의한다.
도 6은 본 개시가 적용될 수 있는 무선 통신 시스템에서 이용되는 물리 채널들 및 이들을 이용한 일반적인 신호 송수신 방법을 예시한다.
무선 통신 시스템에서 단말은 기지국으로부터 하향링크(Downlink)를 통해 정보를 수신하고, 단말은 기지국으로 상향링크(Uplink)를 통해 정보를 전송한다. 기지국과 단말이 송수신하는 정보는 데이터 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.
단말은 전원이 켜지거나 새로이 셀에 진입한 경우 기지국과 동기를 맞추는 등의 초기 셀 탐색(Initial cell search) 작업을 수행한다(S601). 이를 위해, 단말은 기지국으로부터 주 동기 신호(PSS: Primary Synchronization Signal) 및 부 동기 채널(SSS: Secondary Synchronization Signal)을 수신하여 기지국과 동기를 맞추고, 셀 식별자(ID: Identifier) 등의 정보를 획득할 수 있다. 그 후, 단말은 기지국으로부터 물리 방송 채널(PBCH: Physical Broadcast Channel)를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호(DL RS: Downlink Reference Signal)를 수신하여 하향링크 채널 상태를 확인할 수 있다.
초기 셀 탐색을 마친 단말은 물리 하향링크 제어 채널(PDCCH: Physical Downlink Control Channel) 및 상기 PDCCH에 실린 정보에 따라 물리 하향링크 공유 채널(PDSCH: Physical Downlink Control Channel)을 수신함으로써 좀더 구체적인 시스템 정보를 획득할 수 있다(S602).
한편, 기지국에 최초로 접속하거나 신호 송신을 위한 무선 자원이 없는 경우 단말은 기지국에 대해 임의 접속 과정(RACH: Random Access Procedure)을 수행할 수 있다(단계 S603 내지 단계 S606). 이를 위해, 단말은 물리 임의 접속 채널(PRACH: Physical Random Access Channel)을 통해 특정 시퀀스를 프리앰블로 송신하고(S603 및 S605), PDCCH 및 대응하는 PDSCH를 통해 프리앰블에 대한 응답 메시지를 수신할 수 있다(S604 및 S606). 경쟁 기반 RACH의 경우, 추가적으로 충돌 해결 절차(Contention Resolution Procedure)를 수행할 수 있다.
상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 송신 절차로서 PDCCH/PDSCH 수신(S607) 및 물리 상향링크 공유 채널(PUSCH: Physical Uplink Shared Channel)/물리 상향링크 제어 채널(PUCCH: Physical Uplink Control Channel) 송신(S608)을 수행할 수 있다. 특히 단말은 PDCCH를 통하여 하향링크 제어 정보(DCI: Downlink Control Information)를 수신한다. 여기서 DCI는 단말에 대한 자원 할당 정보와 같은 제어 정보를 포함하며, 그 사용 목적에 따라 포맷이 서로 다르다.
한편, 단말이 상향링크를 통해 기지국에 송신하는 또는 단말이 기지국으로부터 수신하는 제어 정보는 하향링크/상향링크 ACK/NACK(Acknowledgement/Non-Acknowledgement) 신호, CQI(Channel Quality Indicator), PMI(Precoding Matrix Indicator), RI(Rank Indicator) 등을 포함한다. 3GPP LTE 시스템의 경우, 단말은 상술한 CQI/PMI/RI 등의 제어 정보를 PUSCH 및/또는 PUCCH를 통해 송신할 수 있다.
표 5는 NR 시스템에서의 DCI 포맷(format)의 일례를 나타낸다.
DCI 포맷 활용
0_0 하나의 셀 내 PUSCH의 스케줄링
0_1 하나의 셀 내 하나 또는 다중 PUSCH의 스케줄링, 또는 UE에게 셀 그룹(CG: cell group) 하향링크 피드백 정보의 지시
0_2 하나의 셀 내 PUSCH의 스케줄링
1_0 하나의 DL 셀 내 PDSCH의 스케줄링
1_1 하나의 셀 내 PDSCH의 스케줄링
1_2 하나의 셀 내 PDSCH의 스케줄링
표 5를 참조하면, DCI format 0_0, 0_1 및 0_2는 PUSCH의 스케줄링에 관련된 자원 정보(예를 들어, UL/SUL(Supplementary UL), 주파수 자원 할당, 시간 자원 할당, 주파수 호핑 등), 전송 블록(TB: Transport Block) 관련 정보(예를 들어, MCS(Modulation Coding and Scheme), NDI(New Data Indicator), RV(Redundancy Version) 등), HARQ(Hybrid - Automatic Repeat and request) 관련 정보(예를 들어, 프로세스 번호, DAI(Downlink Assignment Index), PDSCH-HARQ 피드백 타이밍 등), 다중 안테나 관련 정보(예를 들어, DMRS 시퀀스 초기화 정보, 안테나 포트, CSI 요청 등), 전력 제어 정보(예를 들어, PUSCH 전력 제어 등)을 포함할 수 있으며, DCI 포맷 각각에 포함되는 제어 정보들은 미리 정의될 수 있다.DCI format 0_0은 하나의 셀에서 PUSCH의 스케줄링에 사용된다. DCI 포맷 0_0에 포함된 정보는 C-RNTI(Cell RNTI: Cell Radio Network Temporary Identifier) 또는 CS-RNTI(Configured Scheduling RNTI) 또는 MCS-C-RNTI(Modulation Coding Scheme Cell RNTI)에 의해 CRC(cyclic redundancy check) 스크램블링되어 전송된다. DCI format 0_1은 하나의 셀에서 하나 이상의 PUSCH의 스케줄링, 또는 설정된 그랜트(CG: configured grant) 하향링크 피드백 정보를 단말에게 지시하는 데 사용된다. DCI format 0_1에 포함된 정보는 C-RNTI 또는 CS-RNTI 또는 SP-CSI-RNTI(Semi-Persistent CSI RNTI) 또는 MCS-C-RNTI에 의해 CRC 스크램블링되어 전송된다. DCI format 0_2는 하나의 셀에서 PUSCH의 스케줄링에 사용된다. DCI format 0_2에 포함된 정보는 C-RNTI 또는 CS-RNTI 또는 SP-CSI-RNTI 또는 MCS-C-RNTI에 의해 CRC 스크램블링되어 전송된다.
다음으로, DCI format 1_0, 1_1 및 1_2는 PDSCH의 스케줄링에 관련된 자원 정보(예를 들어, 주파수 자원 할당, 시간 자원 할당, VRB(virtual resource block)-PRB(physical resource block) 매핑 등), 전송블록(TB) 관련 정보(예를 들어, MCS, NDI, RV 등), HARQ 관련 정보(예를 들어, 프로세스 번호, DAI, PDSCH-HARQ 피드백 타이밍 등), 다중 안테나 관련 정보(예를 들어, 안테나 포트, TCI(transmission configuration indicator), SRS(sounding reference signal) 요청 등), PUCCH 관련 정보(예를 들어, PUCCH 전력 제어, PUCCH 자원 지시자 등)을 포함할 수 있으며, DCI 포맷 각각에 포함되는 제어 정보들은 미리 정의될 수 있다.
DCI format 1_0은 하나의 DL 셀에서 PDSCH의 스케줄링을 위해 사용된다. DCI format 1_0에 포함된 정보는 C-RNTI 또는 CS-RNTI 또는 MCS-C-RNTI에 의해 CRC 스크램블링되어 전송된다.
DCI format 1_1은 하나의 셀에서 PDSCH의 스케줄링을 위해 사용된다. DCI format 1_1에 포함되는 정보는 C-RNTI 또는 CS-RNTI 또는 MCS-C-RNTI에 의해 CRC 스크램블링되어 전송된다.
DCI format 1_2는 하나의 셀에서 PDSCH의 스케줄링을 위해 사용된다. DCI format 1_2에 포함되는 정보는 C-RNTI 또는 CS-RNTI 또는 MCS-C-RNTI에 의해 CRC 스크램블링되어 전송된다.
CSI 관련 동작
NR(New Radio) 시스템에서, CSI-RS(channel state information-reference signal)은 시간 및/또는 주파수 트래킹(time/frequency tracking), CSI 계산(computation), L1(layer 1)-RSRP(reference signal received power) 계산(computation) 및 이동성(mobility)를 위해 사용된다. 여기서, CSI computation은 CSI 획득(acquisition)과 관련되며, L1-RSRP computation은 빔 관리(beam management, BM)와 관련된다.
CSI(channel state information)은 단말과 안테나 포트 사이에 형성되는 무선 채널(혹은 링크라고도 함)의 품질을 나타낼 수 있는 정보를 통칭한다.
- 상기와 같은 CSI-RS의 용도 중 하나를 수행하기 위해, 단말(예: user equipment, UE)은 CSI와 관련된 설정(configuration) 정보를 RRC(radio resource control) signaling을 통해 기지국(예: general Node B, gNB)으로부터 수신한다.
상기 CSI와 관련된 configuration 정보는 CSI-IM(interference management) 자원(resource) 관련 정보, CSI 측정 설정(measurement configuration) 관련 정보, CSI 자원 설정(resource configuration) 관련 정보, CSI-RS 자원(resource) 관련 정보 또는 CSI 보고 설정(report configuration) 관련 정보 중 적어도 하나를 포함할 수 있다.
i) CSI-IM 자원 관련 정보는 CSI-IM 자원 정보(resource information), CSI-IM 자원 세트 정보(resource set information) 등을 포함할 수 있다. CSI-IM resource set은 CSI-IM resource set ID(identifier)에 의해 식별되며, 하나의 resource set은 적어도 하나의 CSI-IM resource를 포함한다. 각각의 CSI-IM resource는 CSI-IM resource ID에 의해 식별된다.
ii) CSI resource configuration 관련 정보는 CSI-ResourceConfig IE로 표현될 수 있다. CSI resource configuration 관련 정보는 NZP(non zero power) CSI-RS resource set, CSI-IM resource set 또는 CSI-SSB resource set 중 적어도 하나를 포함하는 그룹을 정의한다. 즉, 상기 CSI resource configuration 관련 정보는 CSI-RS resource set list를 포함하며, 상기 CSI-RS resource set list는 NZP CSI-RS resource set list, CSI-IM resource set list 또는 CSI-SSB resource set list 중 적어도 하나를 포함할 수 있다. CSI-RS resource set은 CSI-RS resource set ID에 의해 식별되고, 하나의 resource set은 적어도 하나의 CSI-RS resource를 포함한다. 각각의 CSI-RS resource는 CSI-RS resource ID에 의해 식별된다.
NZP CSI-RS resource set 별로 CSI-RS의 용도를 나타내는 parameter들(예: BM 관련 'repetition' parameter, tracking 관련 'trs-Info' parameter)이 설정될 수 있다.
iii) CSI 보고 설정(report configuration) 관련 정보는 시간 영역 행동(time domain behavior)을 나타내는 보고 설정 타입(reportConfigType) parameter 및 보고하기 위한 CSI 관련 quantity를 나타내는 보고량(reportQuantity) parameter를 포함한다. 상기 시간 영역 동작(time domain behavior)은 periodic, aperiodic 또는 semi-persistent일 수 있다.
- 단말은 상기 CSI와 관련된 configuration 정보에 기초하여 CSI를 측정(measurement)한다.
상기 CSI 측정은 (1) 단말의 CSI-RS 수신 과정과, (2) 수신된 CSI-RS를 통해 CSI를 계산(computation)하는 과정을 포함할 수 있으며, 이에 대하여 구체적인 설명은 후술한다.
CSI-RS는 higher layer parameter CSI-RS-ResourceMapping에 의해 시간(time) 및 주파수(frequency) 영역에서 CSI-RS resource의 RE(resource element) 매핑이 설정된다.
- 단말은 상기 측정된 CSI를 기지국으로 보고(report)한다.
여기서, CSI-ReportConfig의 quantity가 'none(또는 No report)'로 설정된 경우, 상기 단말은 상기 report를 생략할 수 있다. 다만, 상기 quantity가 'none(또는 No report)'로 설정된 경우에도 상기 단말은 기지국으로 report를 할 수도 있다. 상기 quantity가 'none'으로 설정된 경우는 aperiodic TRS를 trigger하는 경우 또는 repetition이 설정된 경우이다. 여기서, repetition이 'ON'으로 설정된 경우에만 상기 단말의 report를 생략할 수 있다.
CSI 측정
NR 시스템은 보다 유연하고 동적인 CSI measurement 및 reporting을 지원한다. 여기서, 상기 CSI measurement는 CSI-RS를 수신하고, 수신된 CSI-RS를 computation하여 CSI를 acquisition하는 절차를 포함할 수 있다.
CSI measurement 및 reporting의 time domain behavior로서, aperiodic/semi-persistent/periodic CM(channel measurement) 및 IM(interference measurement)이 지원된다. CSI-IM의 설정을 위해 4 port NZP CSI-RS RE pattern을 이용한다.
NR의 CSI-IM 기반 IMR은 LTE의 CSI-IM과 유사한 디자인을 가지며, PDSCH rate matching을 위한 ZP CSI-RS resource들과는 독립적으로 설정된다. 그리고, NZP CSI-RS 기반 IMR에서 각각의 port는 (바람직한 channel 및) precoded NZP CSI-RS를 가진 interference layer를 emulate한다. 이는, multi-user case에 대해 intra-cell interference measurement에 대한 것으로, MU interference를 주로 target 한다.
기지국은 설정된 NZP CSI-RS 기반 IMR의 각 port 상에서 precoded NZP CSI-RS를 단말로 전송한다.
단말은 resource set에서 각각의 port에 대해 channel/interference layer를 가정하고 interference를 측정한다.
채널에 대해, 어떤 PMI 및 RI feedback도 없는 경우, 다수의 resource들은 set에서 설정되며, 기지국 또는 네트워크는 channel/interference measurement에 대해 NZP CSI-RS resource들의 subset을 DCI를 통해 지시한다.
resource setting 및 resource setting configuration에 대해 보다 구체적으로 살펴본다.
자원 세팅 (resource setting)
각각의 CSI resource setting 'CSI-ResourceConfig'는 (higher layer parameter csi-RS-ResourceSetList에 의해 주어진) S≥1 CSI resource set에 대한 configuration을 포함한다. CSI resource setting은 CSI-RS- resourcesetlist에 대응한다. 여기서, S는 설정된 CSI-RS resource set의 수를 나타낸다. 여기서, S≥1 CSI resource set에 대한 configuration은 (NZP CSI-RS 또는 CSI-IM으로 구성된) CSI-RS resource들을 포함하는 각각의 CSI resource set과 L1-RSRP computation에 사용되는 SS/PBCH block (SSB) resource를 포함한다.
각 CSI resource setting은 higher layer parameter bwp-id로 식별되는 DL BWP(bandwidth part)에 위치된다. 그리고, CSI reporting setting에 링크된 모든 CSI resource setting들은 동일한 DL BWP를 갖는다.
CSI-ResourceConfig IE에 포함되는 CSI resource setting 내에서 CSI-RS resource의 time domain behavior는 higher layer parameter resourceType에 의해 지시되며, aperiodic, periodic 또는 semi-persistent로 설정될 수 있다. Periodic 및 semi-persistent CSI resource setting에 대해, 설정된 CSI-RS resource set의 수(S)는 '1'로 제한된다. Periodic 및 semi-persistent CSI resource setting에 대해, 설정된 주기(periodicity) 및 슬롯 오프셋(slot offset)은 bwp-id에 의해 주어지는 것과 같이, 연관된 DL BWP의 numerology에서 주어진다.
UE가 동일한 NZP CSI-RS resource ID를 포함하는 다수의 CSI-ResourceConfig들로 설정될 때, 동일한 time domain behavior는 CSI-ResourceConfig에 대해 설정된다.
UE가 동일한 CSI-IM resource ID를 포함하는 다수의 CSI-ResourceConfig들로 설정될 때, 동일한 time domain behavior는 CSI-ResourceConfig에 대해 설정된다.
다음은 channel measurement (CM) 및 interference measurement(IM)을 위한 하나 또는 그 이상의 CSI resource setting들은 higher layer signaling을 통해 설정된다.
- interference measurement에 대한 CSI-IM resource.
- interference measurement에 대한 NZP CSI-RS 자원.
- channel measurement에 대한 NZP CSI-RS 자원.
즉, CMR(channel measurement resource)는 CSI acquisition을 위한 NZP CSI-RS일 수 있으며, IMR(Interference measurement resource)는 CSI-IM과 IM을 위한 NZP CSI-RS일 수 있다.
여기서, CSI-IM(또는 IM을 위한 ZP CSI-RS)는 주로 inter-cell interference measurement에 대해 사용된다.
그리고, IM을 위한 NZP CSI-RS는 주로 multi-user로부터 intra-cell interference measurement를 위해 사용된다.
UE는 채널 측정을 위한 CSI-RS resource(들) 및 하나의 CSI reporting을 위해 설정된 interference measurement를 위한 CSI-IM / NZP CSI-RS resource(들)이 자원 별로 'QCL-TypeD'라고 가정할 수 있다.
자원 세팅 설정 (resource setting configuration)
살핀 것처럼, resource setting은 resource set list를 의미할 수 있다.
aperiodic CSI에 대해, higher layer parameter CSI-AperiodicTriggerState를 사용하여 설정되는 각 트리거 상태(trigger state)는 각각의 CSI-ReportConfig가 periodic, semi-persistent 또는 aperiodic resource setting에 링크되는 하나 또는 다수의 CSI-ReportConfig와 연관된다.
하나의 reporting setting은 최대 3개까지의 resource setting과 연결될 수 있다.
- 하나의 resource setting이 설정되면, (higher layer parameter resourcesForChannelMeasurement에 의해 주어지는) resource setting 은 L1-RSRP computation을 위한 channel measurement에 대한 것이다.
- 두 개의 resource setting들이 설정되면, (higher layer parameter resourcesForChannelMeasurement에 의해 주어지는) 첫 번째 resource setting은 channel measurement를 위한 것이고, (csi-IM-ResourcesForInterference 또는 nzp-CSI-RS -ResourcesForInterference에 의해 주어지는) 두 번째 resource setting은 CSI-IM 또는 NZP CSI-RS 상에서 수행되는 interference measurement를 위한 것이다.
- 세 개의 resource setting들이 설정되면, (resourcesForChannelMeasurement에 의해 주어지는) 첫 번째 resource setting은 channel measurement를 위한 것이고, (csi-IM-ResourcesForInterference에 의해 주어지는) 두 번째 resource setting은 CSI-IM 기반 interference measurement를 위한 것이고, (nzp-CSI-RS-ResourcesForInterference에 의해 주어지는) 세 번째 resource setting 은 NZP CSI-RS 기반 interference measurement를 위한 것이다.
Semi-persistent 또는 periodic CSI에 대해, 각 CSI-ReportConfig는 periodic 또는 semi-persistent resource setting에 링크된다.
- (resourcesForChannelMeasurement에 의해 주어지는) 하나의 resource setting 이 설정되면, 상기 resource setting은 L1-RSRP computation을 위한 channel measurement에 대한 것이다.
- 두 개의 resource setting들이 설정되면, (resourcesForChannelMeasurement에 의해 주어지는) 첫 번째 resource setting은 channel measurement를 위한 것이며, (higher layer parameter csi-IM-ResourcesForInterference에 의해 주어지는) 두 번째 resource setting은 CSI-IM 상에서 수행되는 interference measurement를 위해 사용된다.
CSI 계산 (computation)
간섭 측정이 CSI-IM 상에서 수행되면, 채널 측정을 위한 각각의 CSI-RS resource는 대응하는 resource set 내에서 CSI-RS resource들 및 CSI-IM resource들의 순서에 의해 CSI-IM resource와 자원 별로 연관된다. 채널 측정을 위한 CSI-RS resource의 수는 CSI-IM resource의 수와 동일하다.
그리고, interference measurement가 NZP CSI-RS에서 수행되는 경우, UE는 채널 측정을 위한 resource setting 내에서 연관된 resource set에서 하나 이상의 NZP CSI-RS resource로 설정될 것으로 기대하지 않는다.
Higher layer parameter nzp-CSI-RS-ResourcesForInterference가 설정된 단말은 NZP CSI-RS resource set 내에 18 개 이상의 NZP CSI-RS port가 설정될 것으로 기대하지 않는다.
CSI 측정을 위해, 단말은 아래 사항을 가정한다.
- 간섭 측정을 위해 설정된 각각의 NZP CSI-RS port는 간섭 전송 계층에 해당한다.
- 간섭 측정을 위한 NZP CSI-RS port의 모든 간섭 전송 레이어는 EPRE(energy per resource element) 비율을 고려한다.
- 채널 측정을 위한 NZP CSI-RS resource의 RE(s) 상에서 다른 간섭 신호, 간섭 측정을 위한 NZP CSI-RS resource 또는 간섭 측정을 위한 CSI-IM resource.
CSI 보고
CSI 보고를 위해, UE가 사용할 수 있는 time 및 frequency 자원은 기지국에 의해 제어된다.
CSI(channel state information)은 채널 품질 지시자(channel quality indicator, CQI), 프리코딩 행렬 지시자 (precoding matrix indicator, PMI), CSI-RS resource indicator (CRI), SS/PBCH block resource indicator (SSBRI), layer indicator (LI), rank indicator (RI) 또는 L1-RSRP 중 적어도 하나를 포함할 수 있다.
CQI, PMI, CRI, SSBRI, LI, RI, L1-RSRP에 대해, 단말은 N≥1 CSI-ReportConfig reporting setting, M≥1 CSI-ResourceConfig resource setting 및 하나 또는 두 개의 trigger state들의 리스트(aperiodicTriggerStateList 및 semiPersistentOnPUSCH-TriggerStateList에 의해 제공되는)로 higher layer에 의해 설정된다. 상기 aperiodicTriggerStateList에서 각 trigger state는 channel 및 선택적으로 interference 대한 resource set ID들을 지시하는 연관된 CSI-ReportConfigs 리스트를 포함한다. semiPersistentOnPUSCH-TriggerStateList에서 각 trigger state는 하나의 연관된 CSI-ReportConfig가 포함된다.
그리고, CSI reporting의 time domain behavior는 periodic, semi-persistent, aperiodic을 지원한다.
i) periodic CSI reporting은 short PUCCH, long PUCCH 상에서 수행된다. Periodic CSI reporting의 주기(periodicity) 및 슬롯 오프셋(slot offset)은 RRC로 설정될 수 있으며, CSI-ReportConfig IE를 참고한다.
ii) SP(semi-periodic) CSI reporting은 short PUCCH, long PUCCH, 또는 PUSCH 상에서 수행된다.
Short/long PUCCH 상에서 SP CSI인 경우, 주기(periodicity) 및 슬롯 오프셋(slot offset)은 RRC로 설정되며, 별도의 MAC CE / DCI로 CSI 보고가 activation/deactivation 된다.
PUSCH 상에서 SP CSI인 경우, SP CSI reporting의 periodicity는 RRC로 설정되지만, slot offset은 RRC로 설정되지 않으며, DCI(format 0_1)에 의해 SP CSI reporting은 활성화/비활성화(activation/deactivation)된다. PUSCH 상에서 SP CSI reporting에 대해, 분리된 RNTI(SP-CSI C-RNTI)가 사용된다.
최초 CSI 보고 타이밍은 DCI에서 지시되는 PUSCH time domain allocation 값을 따르며, 후속되는 CSI 보고 타이밍은 RRC로 설정된 주기에 따른다.
DCI format 0_1은 CSI request field를 포함하고, 특정 configured SP-CSI trigger state를 activation/deactivation할 수 있다. SP CSI reporting은, SPS PUSCH 상에서 data 전송을 가진 mechanism과 동일 또는 유사한 활성화/비활성화를 가진다.
iii) aperiodic CSI reporting은 PUSCH 상에서 수행되며, DCI에 의해 trigger된다. 이 경우, aperiodic CSI reporting의 trigger와 관련된 정보는 MAC-CE를 통해 전달/지시/설정될 수 있다.
AP CSI-RS를 가지는 AP CSI의 경우, AP CSI-RS timing은 RRC에 의해 설정되고, AP CSI reporting에 대한 timing은 DCI에 의해 동적으로 제어된다.
NR은 LTE에서 PUCCH 기반 CSI 보고에 적용되었던 다수의 reporting instance들에서 CSI를 나누어 보고하는 방식 (예를 들어, RI, WB PMI/CQI, SB PMI/CQI 순서로 전송)이 적용되지 않는다. 대신, NR은 short/long PUCCH에서 특정 CSI 보고를 설정하지 못하도록 제한하고, CSI omission rule이 정의된다. 그리고, AP CSI reporting timing과 관련하여, PUSCH symbol/slot location은 DCI에 의해 동적으로 지시된다. 그리고, candidate slot offset들은 RRC에 의해 설정된다. CSI reporting에 대해, slot offset(Y)는 reporting setting 별로 설정된다. UL-SCH에 대해, slot offset K2는 별개로 설정된다.
2개의 CSI latency class(low latency class, high latency class)는 CSI computation complexity의 관점에서 정의된다. Low latency CSI의 경우, 최대 4 ports Type-I codebook 또는 최대 4-ports non-PMI feedback CSI를 포함하는 WB CSI이다. High latency CSI는 low latency CSI를 제외한 다른 CSI를 말한다. Normal 단말에 대해, (Z, Z')는 OFDM symbol들의 unit에서 정의된다. 여기서, Z는 Aperiodic CSI triggering DCI를 수신한 후 CSI 보고를 수행하기 까지의 최소 CSI processing time을 나타낸다. 또한, Z'는 channel/interference에 대한 CSI-RS를 수신한 후 CSI 보고를 수행하기까지의 최소 CSI processing time을 나타낸다.
추가적으로, 단말은 동시에 calculation할 수 있는 CSI의 개수를 report한다.
준-동일 위치(QCL: quasi-co location)
안테나 포트는 안테나 포트 상의 심볼이 운반되는 채널이 동일한 안테나 포트 상의 다른 심볼이 운반되는 채널로부터 추론될 수 있도록 정의된다. 하나의 안테나 포트 상의 심볼이 운반되는 채널의 특성(property)이 다른 안테나 포트 상의 심볼이 운반되는 채널로부터 유추될 수 있는 경우, 2 개의 안테나 포트는 QC/QCL(quasi co-located 혹은 quasi co-location) 관계에 있다고 할 수 있다.
여기서, 상기 채널 특성은 지연 확산(Delay spread), 도플러 확산(Doppler spread), 주파수/도플러 쉬프트(Frequency/Doppler shift), 평균 수신 파워(Average received power), 수신 타이밍/평균지연(Received Timing/average delay), 공간 수신 파라미터(Spatial RX parameter) 중 하나 이상을 포함한다. 여기서 Spatial Rx parameter는 도래각(angle of arrival)과 같은 공간적인 (수신) 채널 특성 파라미터를 의미한다.
단말은 해당 단말 및 주어진 서빙 셀에 대해 의도된 DCI를 가지는 검출된 PDCCH에 따라 PDSCH를 디코딩하기 위해, 상위 계층 파라미터 PDSCH-Config 내 M 개까지의 TCI-상태 설정(TCI-State configuration)의 리스트가 설정될 수 있다. 상기 M은 UE 능력(capability)에 의존한다.
각각의 TCI-State는 하나 또는 두 개의 DL 참조 신호와 PDSCH의 DM-RS(demodulation reference signal) 포트 사이의 quasi co-location 관계를 설정하기 위한 파라미터를 포함한다.
Quasi co-location 관계는 첫 번째 DL RS에 대한 상위 계층 파라미터 qcl-Type1과 두 번째 DL RS에 대한 qcl-Type2 (설정된 경우)로 설정된다. 두 개의 DL RS의 경우, 참조(reference)가 동일한 DL RS 또는 서로 다른 DL RS인지에 관계없이 QCL 타입(type)은 동일하지 않다.
각 DL RS에 대응하는 QCL type은 QCL-Info의 상위 계층 파라미터 qcl-Type에 의해 주어지며, 다음 값 중 하나를 취할 수 있다:
- 'QCL-TypeA': {Doppler shift, Doppler spread, average delay, delay spread}
- 'QCL-TypeB': {Doppler shift, Doppler spread}
- 'QCL-TypeC': {Doppler shift, average delay}
- 'QCL-TypeD': {Spatial Rx parameter}
예를 들어, 목표하는 안테나 포트(target antenna port)가 특정 NZP CSI-RS 인 경우, 해당 NZP CSI-RS 안테나 포트는 QCL-Type A관점에서는 특정 TRS와, QCL-Type D관점에서는 특정 SSB과 QCL되었다고 지시/설정될 수 있다. 이러한 지시/설정을 받은 단말은 QCL-TypeA TRS에서 측정된 Doppler, delay값을 이용해서 해당 NZP CSI-RS를 수신하고, QCL-TypeD SSB 수신에 사용된 수신 빔을 해당 NZP CSI-RS 수신에 적용할 수 있다.
UE는 8개까지의 TCI state들을 DCI 필드 'Transmission Configuration Indication'의 코드포인트(codepoint)에 매핑하기 위해 사용되는 MAC CE 시그널링에 의한 활성 명령(activation command)을 수신할 수 있다.
활성 명령을 나르는 PDSCH에 대응하는 HARQ-ACK이 슬롯 n에서 전송되는 경우, TCI 상태와 DCI 필드 'Transmission Configuration Indication'의 코드포인트 간의 지시된 매핑은 슬롯 n+3Nslot subframe,μ+1 부터 시작하여 적용될 수 있다. UE가 활성 명령을 수신하기 전에 TCI 상태들에 대한 최초(initial) 상위계층 설정을 수신한 후에, QCL-TypeA에 대해서, 그리고 적용가능하다면 QCL-TypeD에 대해서도, UE는 서빙 셀의 PDSCH의 DMRS 포트가 최초 액세스 과정에서 결정된 SS/PBCH 블록과 QCL된 것으로 가정할 수 있다.
UE에 대해서 설정된 DCI 내 TCI 필드의 존재 여부를 지시하는 상위계층 파라미터(예를 들어, tci-PresentInDCI)가 PDSCH를 스케줄링하는 COREEST에 대해서 인에이블로 세팅된 경우, UE는 해당 CORESET 상에서 전송되는 PDCCH의 DCI 포맷 1_1에 TCI 필드가 존재하는 것으로 가정할 수 있다. PDSCH를 스케줄링하는 CORESET에 대해서 tci-PresentInDCI가 설정되지 않거나 PDSCH가 DCI 포맷 1_0에 의해서 스케줄링되고, 그리고 DL DCI의 수신과 이에 대응하는 PDSCH 간의 시간 오프셋이 소정의 임계치(예를 들어, timeDurationForQCL) 이상인 경우에, PDSCH 안테나 포트 QCL을 결정하기 위해서, UE는 PDSCH에 대한 TCI 상태 또는 QCL 가정이 PDCCH 전송에 대해서 사용되는 CORESET에 대해서 적용되는 TCI 상태 또는 QCL 가정과 동일하다고 가정할 수 있다. 여기서, 상기 소정의 임계치는 보고된 UE 캐퍼빌리티에 기초할 수 있다.
파라미터 tci-PresentInDCI가 인에이블로 세팅된 경우, 스케줄링 CC(component carrier)에서 DCI 내의 TCI 필드는 스케줄링되는 CC 또는 DL BWP의 활성화된 TCI 상태를 가리킬 수 있다. PDSCH가 DCI 포맷 1_1에 의해서 스케줄링되는 경우, UE는 PDSCH 안테나 포트 QCL을 결정하기 위해서, DCI를 가지는 검출된 PDCCH의 'Transmission Configuration Indication' 필드의 값에 따라서 TCI-상태를 사용할 수 있다.
DL DCI의 수신과 이에 대응하는 PDSCH 간의 시간 오프셋이 소정의 임계치(예를 들어, timeDurationForQCL) 이상인 경우에, UE는 서빙 셀의 PDSCH의 DMRS 포트가, 지시된 TCI 상태에 의해서 주어지는 QCL 타입 파라미터(들)에 대한 TCI 상태의 RS(들)과 QCL된 것으로 가정할 수 있다.
UE에 대해서 단일 슬롯 PDSCH가 설정되는 경우, 지시된 TCI 상태는, 스케줄링된 PDSCH가 있는 슬롯의 활성화된 TCI 상태에 기초할 수 있다.
UE에 대해서 다중-슬롯 PDSCH가 설정되는 경우, 지시된 TCI 상태는, 스케줄링된 PDSCH가 있는 첫 번째 슬롯의 활성화된 TCI 상태에 기초할 수 있고, UE는 스케줄링된 PDSCH가 있는 슬롯들에 걸쳐서 활성화된 TCI 상태가 동일한 것으로 기대할 수 있다.
UE에 대해서 크로스-캐리어 스케줄링을 위한 서치 스페이스 세트와 연관된 CORESET이 설정되는 경우, UE는 해당 CORESET에 대해서 tci-PresentInDCI 파라미터가 인에이블로 세팅되는 것으로 기대할 수 있다. QCL-TypeD를 포함하는 서치 스페이스 세트에 의해서 스케줄링되는 서빙 셀에 대해서 하나 이상의 TCI 상태가 설정되는 경우, UE는 상기 서치 스페이스 세트에서 검출된 PDCCH의 수신과 이에 대응하는 PDSCH 간의 시간 오프셋이 소정의 임계치(예를 들어, timeDurationForQCL) 이상인 것으로 기대할 수 있다.
파라미터 tci-PresentInDCI가 인에이블로 세팅되는 경우 및 RRC 연결 모드에서 tci-PresentInDCI가 설정되지 않는 경우 모두에 대해서, DL DCI의 수신과 이에 대응하는 PDSCH 간의 시간 오프셋이 소정의 임계치(예를 들어, timeDurationForQCL) 미만인 경우, UE는 서빙 셀의 PDSCH의 DMRS 포트가, 서빙 셀의 활성 BWP 내의 하나 이상의 CORESET가 UE에 의해서 모니터링되는 가장 늦은(latest) 슬롯에서의 가장 낮은(lowest) CORESET-ID를 가지는 모니터링된 서치 스페이스와 연관된 CORESET의 PDCCH QCL 지시를 위해서 사용된 QCL 파라미터(들)에 대한 RS(들)과 QCL된 것으로 가정할 수 있다.
이 경우, PDSCH DMRS의 QCL-TypeD가 PDCCH DMRS의 QCL-TypeD와 상이하고 이들이 적어도 하나의 심볼에서 중첩(overlap)되는 경우, UE는 해당 CORESET과 연관된 PDCCH의 수신이 우선화될 것으로 기대할 수 있다. 이는 대역-내(intra-band) CA(carrier aggregation) (PDSCH와 CORESET이 상이한 CC에 있는 경우)에 대해서도 적용될 수 있다. 설정된 TCI 상태 중 어떤 것도 QCL-TypeD를 포함하지 않는 경우, DL DCI의 수신과 이에 대응하는 PDSCH 간의 시간 오프셋과 무관하게, 스케줄링된 PDSCH에 대해서 지시된 TCI 상태 중에서 다른 QCL 가정을 획득할 수 있다.
상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 주기적인 CSI-RS 자원에 대해서, UE는 TCI 상태가 이하의 QCL 타입(들) 중에서 하나를 지시하는 것으로 기대할 수 있다:
- SS/PBCH 블록과의 QCL-TypeC, 그리고 적용가능하다면, 동일한 SS/PBCH 블록과의 QCL-TypeD, 또는
- SS/PBCH 블록과의 QCL-TypeC, 그리고 적용가능하다면, 상위계층 파라미터 repetition을 포함하여 설정된 NZP-CSI-RS-ResourceSet에서 CSI-RS 자원과의 QCL-TypeD.
상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 비주기적인 CSI-RS 자원에 대해서, UE는 TCI 상태가, 상위계층 파라미터 trs-Info를 포함하여 NZP-CSI-RS-ResourceSet의 주기적인 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 동일한 주기적 CSI-RS 자원과의 QCL-TypeD를 지시하는 것으로 기대할 수 있다.
상위계층 파라미터 trs-Info 없이 그리고 상위계층 파라미터 repetition 없이 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원에 대해서, UE는 TCI 상태가 이하의 QCL 타입(들) 중에서 하나를 지시하는 것으로 기대할 수 있다:
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 동일한 CSI-RS 자원과의 QCL-TypeD, 또는
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, SS/PBCH 블록과의 QCL-TypeD, 또는
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 상위계층 파라미터 repetition을 포함하여 설정된 NZP-CSI-RS-ResourceSet에서 CSI-RS 자원과의 QCL-TypeD, 또는
- QCL-TypeD가 적용가능하지 않은 경우에, 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeB.
상위계층 파라미터 repetition을 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원에 대해서, UE는 TCI 상태가 이하의 QCL 타입(들) 중에서 하나를 지시하는 것으로 기대할 수 있다:
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 동일한 CSI-RS 자원과의 QCL-TypeD, 또는
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 상위계층 파라미터 repetition을 포함하여 설정된 NZP-CSI-RS-ResourceSet에서 CSI-RS 자원과의 QCL-TypeD, 또는
- SS/PBCH 블록과의 QCL-TypeC, 그리고 적용가능하다면, 동일한 SS/PBCH 블록과의 QCL-TypeD.
PDCCH의 DMRS에 대해서, UE는 TCI 상태가 이하의 QCL 타입(들) 중에서 하나를 지시하는 것으로 기대할 수 있다:
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 동일한 CSI-RS 자원과의 QCL-TypeD, 또는
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 상위계층 파라미터 repetition을 포함하여 설정된 NZP-CSI-RS-ResourceSet에서 CSI-RS 자원과의 QCL-TypeD, 또는
- 상위계층 파라미터 trs-Info 없이 그리고 상위계층 파라미터 repetition 없이 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 동일한 CSI-RS 자원과의 QCL-TypeD.
PDSCH의 DMRS에 대해서, UE는 TCI 상태가 이하의 QCL 타입(들) 중에서 하나를 지시하는 것으로 기대할 수 있다:
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 동일한 CSI-RS 자원과의 QCL-TypeD, 또는
- 상위계층 파라미터 trs-Info를 포함하여 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 상위계층 파라미터 repetition을 포함하여 설정된 NZP-CSI-RS-ResourceSet에서 CSI-RS 자원과의 QCL-TypeD, 또는
- 상위계층 파라미터 trs-Info 없이 그리고 상위계층 파라미터 repetition 없이 설정된 NZP-CSI-RS-ResourceSet의 CSI-RS 자원과의 QCL-TypeA, 그리고 적용가능하다면, 동일한 CSI-RS 자원과의 QCL-TypeD.
인공 지능(AI: Artificial Intelligence) 동작
인공지능/머신러닝(AI/ML: Artificial intelligence / machine learning)의 기술 발전으로 무선 통신 네트워크를 구성하는 노드(들) 및 단말(들)의 지능화/고도화가 이루어지고 있다. 특히 네트워크/기지국의 지능화로 인해 다양한 환경 파라미터(예를 들어, 기지국들의 분포/위치, 건물/가구 등의 분포/위치/재질, 단말들의 위치/이동방향/속도, 기후 정보 등)에 따라 다양한 네트워크/기지국 결정 파라미터 값들(예를 들어, 각 기지국의 송수신 전력, 각 단말의 송신 전력, 기지국/단말의 프리코더/빔, 각 단말에 대한 시간/주파수 자원 할당, 각 기지국의 듀플렉스(duplex) 방식 등)을 빠르게 최적화하여 도출/적용할 수 있게 될 전망이다. 이러한 추세에 맞추어, 많은 표준화 단체 (예를 들어, 3GPP, O-RAN)에서 도입을 고려하고 있으며, 이에 대한 스터디도 활발히 진행 중이다.
이하 설명하는 AI 관련 설명 및 동작들은 후술한 본 개시에서 제안하는 방법들과 결합되어 적용될 수 있으며, 또는 본 개시에서 제안하는 방법들의 기술적 특징을 명확하게 하는데 보충될 수 있다.
도 7은 인공지능의 분류를 예시한다.
도 7을 참조하면, 인공지능(AI: Artificial Intelligence)은 사람이 해야 할 일을 기계가 대신할 수 있는 모든 자동화에 해당한다.
머신러닝(ML: Machine Learning)은 명시적으로 규칙을 프로그래밍하지 않고, 데이터로부터 의사결정을 위한 패턴을 기계가 스스로 학습하는 기술을 의미한다.
딥러닝(Deep Learning)은 인공 신경망 기반의 모델로서, 비정형 데이터로부터 특징 추출 및 판단까지 기계가 한 번에 수행할 수 있다. 알고리즘은 생물학적 신경계, 즉 신경망(Neural Network)에서 영감을 받은 특징 추출 및 변환을 위해 상호 연결된 노드로 구성된 다층 네트워크에 의존한다. 일반적인 딥 러닝 네트워크 아키텍처에는 심층 신경망(DNN: Deep Neural Network), 순환 신경망(RNN: Recurrent Neural Network) 및 컨볼루션 신경망(CNN: Convolutional Neural Network) 등이 포함된다.
AI(또는 AI/ML로 지칭)은 좁은 의미로 딥러닝(Deep learning) 기반의 인공지능으로 일컬을 수 있지만, 본 개시에서 이에 한정되는 것은 아니다. 즉, 본 개시에서 AI(또는 AI/ML로 지칭)는 인간처럼 작업을 수행할 수 있는 지능형 기계(예를 들어, UE, RAN, 네트워크 노드 등)에 적용되는 자동화 기술을 통칭할 수 있다.
AI(또는 AI/ML)는 다양한 기준에 따라 다음과 같이 분류할 수 있다.
1. 오프라인/온라인 학습
a) 오프라인 학습(Offline Learning)
오프라인 학습은 데이터 베이스의 수집, 학습, 예측이라는 순차적인 절차를 따르게 된다. 즉, 수집과 학습을 오프라인으로 수행하고, 완성된 프로그램을 현장에 설치하여 예측 작업에 활용할 수 있다. 오프라인 학습은 시스템이 점진적으로 학습하지 않으며, 가용한 모든 수집된 데이터를 사용하여 학습이 수행되고, 더 이상의 학습 없이 시스템에 적용된다. 만약, 새로운 데이터에 대한 학습이 필요하게 되면, 새로운 전체의 데이터를 이용하여 다시 학습이 시작될 수 있다.
b) 온라인 학습(Online Learning)
최근 학습에 활용할 수 있는 데이터가 인터넷을 통해 지속적으로 발생하는 점을 활용하여, 실시간으로 발생한 데이터를 가지고 점증적으로 추가 학습하여 성능을 조금씩 개선하는 방식을 지칭한다. 온라인 상에서 수집되는 특정 데이터의 (묶음) 단위로 실시간으로 학습이 수행되며, 이에 따라 변화하는 데이터에 시스템이 빠르게 적응할 수 있다.
AI 시스템 구축을 위해 온라인 학습만이 이용되어 실시간으로 발생한 데이터만으로 학습이 수행될 수도 있으며, 또는 소정의 데이터 세트를 이용하여 오프라인 학습이 수행된 후, 추가적으로 발생하는 실시간 데이터를 이용하여 추가적인 학습이 수행될 수도 있다(온라인+오프라인 학습).
2. AI/ML Framework 개념에 따른 분류
a) 중앙집중식 학습(Centralized Learning)
Centralized learning에서는 서로 다른 복수의 노드들에서 수집된(collected) 훈련 데이터(training data)를 중앙 노드(centralized node)에 보고를 하면, 모든 데이터 자원/저장(storage)/학습(예를 들어, 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning) 등)이 하나의 centralized node에서 수행된다.
b) 연합 학습(Federated Learning)
Federated learning은 공동(collective) 모델이 각기 분산되어 있는 데이터 소유자(data owner)들에 걸쳐서 존재하는 데이터를 기반으로 구성된다. 데이터를 모델로 수집하는 대신, AI/ML 모델을 데이터 소스로 가져와 로컬 노드/개별 장치가 데이터를 수집하고 자체 모델 사본을 훈련할 수 있도록 하므로, 소스 데이터를 중앙 노드에 보고할 필요가 없다. Federated learning에서 AI/ML 모델의 매개변수/가중치는 일반 모델 교육을 지원하기 위해 centralized node로 다시 보낼 수 있다. Federated learning은 연산 속도의 증가와, 정보 보안 측면에서의 장점을 가진다. 즉, 개인 데이트를 중앙 서버에 업로드하는 과정이 불필요하여, 개인정보 유출 및 악용을 방지할 수 있다.
c) 분산된 학습(Distributed Learning)
Distributed learning은 기계 학습 프로세스가 노드 클러스터 전체에 확장 및 배포된 개념을 의미한다. 훈련 모델은 모델 훈련의 속도를 높이기 위해 분할되어 동시에 작동하는 여러 노드에서 공유된다.
3. 학습 방법에 따른 분류
a) 지도 학습(Supervised Learning)
지도 학습은 레이블이 지정된 데이터 세트가 주어지면 입력에서 출력으로의 매핑 기능을 학습하는 것을 목표로 하는 기계 학습 작업이다. 입력 데이터는 훈련 데이터라고 하며 알려진 레이블 또는 결과가 있다. 지도 학습의 예시는 다음과 같다.
- 회귀(Regression): 선형 회귀(Linear Regression), 로지스틱 회귀(Logistic Regression)
- 인스턴스-기반 알고리즘(Instance-based Algorithms): k-최근접 이웃(KNN: k-Nearest Neighbor)
- 의사결정 나무 알고리즘(Decision Tree Algorithms): 분류 및 회귀 분석 트리(CART: Classification and Regression Tree)
- 서포트 벡터 머신(SVM: Support Vector Machines)
- 베이지안 알고리즘(Bayesian Algorithms): 나이브 베이즈(Naive Bayes)
- 앙상블 알고리즘(Ensemble Algorithms): 익스트림 그래디언트 부스팅(Extreme Gradient Boosting), 배깅(Bagging): 랜덤 포레스트(Random Forest)
지도 학습은 회귀 및 분류 문제로 더 그룹화할 수 있으며, 분류는 레이블을 예측하는 것이고 회귀는 수량을 예측하는 것이다.
b) 비지도 학습(Unsupervised Learning)
Unsupervised learning은 레이블이 지정되지 않은 데이터에서 숨겨진 구조를 설명하는 기능을 학습하는 것을 목표로 하는 기계 학습 작업이다. 입력 데이터에 레이블이 지정되지 않았으며 알려진 결과가 없다. 비지도 학습의 몇 가지 예는 K-평균 클러스터링, 주성분 분석(PCA: Principal Component Analysis), 비선형 독립 성분 분석(ICA: Independent Component Analysis) 및 장단기 메모리(LSTM: Long-Short-Term Memory) 등이 있다.
c) 강화 학습(RL: Reinforcement Learning)
강화 학습(RL)에서 에이전트는 시행착오 과정을 기반으로 환경과 상호 작용하여 장기 목표를 최적화하는 것을 목표로 하며, 환경과의 상호작용을 기반으로 한 목표 지향적 학습이다. RL 알고리즘의 예시는 다음과 같다.
- Q 러닝(Q-learning)
- 다중 암드 밴딧 러닝(Multi-armed bandit learning)
- 딥 Q 네트워크(Deep Q Network)
- 스테이트-액션-리워드-스테이트-액션(SARSA: State-Action-Reward-State-Action)
- 시간차 학습(Temporal Difference Learning)
- 액터-크리틱 강화 학습(Actor-critic reinforcement learning)
- 딥 결정론적 정책 그래디언트(DDPG: Deep deterministic policy gradient)
- 몬테카를로 트리 서치(Monte-Carlo tree search)
추가적으로, 강화 학습은 다음과 같이 모델 기반 강화 학습과 모델 자유 강화 학습으로 그룹화할 수 있다.
- 모델-기반(Model-based) 강화 학습: 예측 모델을 사용하는 RL 알고리즘을 지칭한다. 환경의 다양한 동적 상태 및 이러한 상태가 보상으로 이어지는 모델을 사용하여 상태 간 전환 확률을 얻는다.
- 모델-자유(Model-free) 강화 학습: 최대의 미래 보상을 달성하는 가치 또는 정책에 기반한 RL 알고리즘을 지칭한다. 다중 에이전트 환경/상태에서는 계산적으로 덜 복잡하고 환경을 정확하게 표현할 필요가 없다.
또한, RL 알고리즘은 또한 가치 기반 RL 대 정책 기반 RL, 정책 기반 RL 대 정책 외 RL 등으로 분류될 수 있다.
이하, 딥 러닝(deep learning)의 대표 모델에 대하여 예시한다.
도 8은 순방향 신경망(Feed-Forward Neural Network)을 예시한다.
순방향 신경망(FFNN: Feed-Forward Neural Network)은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성된다.
FFNN에서는 정보는 입력층으로부터 출력층 방향으로만 전달되며, 은닉층이 있는 경우 이를 경유한다.　
FNNN 관련하여 고려될 수 있는 잠재적(potential) 파라미터는 다음과 같다.
- 카테고리 1: 각 층의 뉴런의 개수, 은닉층의 개수, 각 층/뉴런의 할성화 함수(activation function)
- 카테고리 2: 각 층/뉴런의 가중치(weight) 및 편향(bias)
- 카테고리 3: 손실 함수(loss function), 옵티마이저(optimizer)
일 예로, training 측면에서 카테고리 1, 카테고리 2 및 카테고리 3이 고려되고, inference 측면에서는 카테고리 1 및 카테고리 2가 고려될 수 있다.
도 9는 순환 신경망(Recurrent Neural Network)을 예시한다.
순환 신경망(RNN)은 히든 노드가 방향을 가진 엣지로 연결되어 순환구조를 이루는(directed cycle) 인공 신경망(neural network)의 한 종류이다. 음성, 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델이다.
도 9에서 A는 뉴럴 네트워크, xt는 입력 값, ht는 출력 값을 나타낸다. 여기서, ht는 시간을 기준으로 현재를 나타내는 상태 값을 의미할 수 있으며, ht-1는 이전 상태 값을 나타낼 수 있다.
RNN의 하나의 종류로 LSTM(Long Short-Term Memory)이 있으며, 이는 RNN의 히든 스테이트(state)에 셀-스테이트(cell-state)를 추가한 구조이다. LSTM은 RNN 셀(cell)(은닉층의 메모리 셀)에 입력 게이트, 망각 게이트, 출력 게이트가 추가되어, 불필요한 기억을 지울 수 있다. LSTM은 RNN에 비하여 셀 상태(cell state)가 추가된다.
도 10은 컨볼루션 신경망(Convolutional Neural Network)을 예시한다.
컨볼루션 신경망(CNN)은 영상 처리나 이미지 처리 분야에서 일반적으로 사용하는 컨볼루션(convolution) 연산을 적용하여, 모델 복잡도를 낮추고, 좋은 특징을 추출하는 두 가지 목적을 위해 사용된다.
- 커널(kernel) 또는 필터(filter): 특정 범위/단위의 input에 가중치를 적용하는 단위/구조를 의미한다. kernel(또는 filter)는 학습에 의해 변경될 수 있다.
- 스트라이드(stride): input 안에서 kernel을 움직이는 이동 범위를 의미한다.
- 특성 맵(feature map): input에 kernel을 적용한 결과를 의미한다. 왜곡, 변경 등에 강인하도록 유도하기 위해 여러 feature map들이 추출될 수 있다.
- 패딩(padding): feature map의 크기를 조절하기 위해 덧붙이는 값을 의미한다.
- 풀링(pooling): feature map을 다운샘플링하여 feature map 의 크기를 줄이기 위한 연산(예를 들어, 최대 풀링(max pooling), 평균 풀링(average pooling))을 의미한다.
CNN 관련하여 고려될 수 있는 잠재적(potential) 파라미터는 다음과 같다.
- 카테고리 1: 각 층의 구조 정보(예: 은닉층의 개수, 패딩 여부/값, 풀링 여부/종류 등)
- 카테고리 2: 커널의 크기/가중치(weight), 각 층/커널의 활성화 함수/스트라이드, 각 층/커널의 편향(bias)
- 카테고리 3: 손실 함수(loss function), 옵티마이저(optimizer)
일 예로, training 측면에서 카테고리 1, 카테고리 2 및 카테고리 3이 고려되고, inference 측면에서는 카테고리 1 및 카테고리 2가 고려될 수 있다.
도 11은 오토 인코더(Auto encoder)를 예시한다.
Auto encoder는 특징 벡터(Feature vector) x(x1, x2, x3, ...)를 입력 받아, 동일한 또는 유사한 vector x'(x'1, x'2, x'3, ...)'를 출력하는 neural network를 의미한다.
Auto encoder는 입력 노드와 출력 노드가 같은 특징을 가진다. Auto encoder는 입력을 재구성하기 때문에 출력을 재구성(reconstruction)이라고 지칭할 수 있다. 또한, Auto encoder는 Unsupervised learning의 일종이다.
도 11에서 예시하는 Auto encoder의 손실 함수(loss function)은 입력과 출력의 차이를 기반으로 계산되며, 이를 기반으로 input의 손실 정도를 파악하여 Auto encoder에서는 손실을 최소화할 수 있도록 최적화하는 과정이 수행된다.
이하, 보다 구체적인 AI(또는 AI/ML)의 설명을 위해 용어들을 다음과 같이 정의할 수 있다.
- 데이터 수집(Data collection): AI 모델 훈련(model training), 데이터 분석 및 추론(inference)을 위한 기반으로서, 네트워크 노드, 관리 개체(management entity) 또는 UE 등에서 수집된 데이터
- AI 모델(Model): 입력들의 집합을 기반으로, 예측 정보 및/또는 결정 파라미터들을 포함하는 출력들의 집합을 생성하는 AI 기술을 적용한 데이터 기반 알고리즘(data driven algorithm)
- AI/ML 훈련(Training): 데이터를 가장 잘 표시하고 추론을 위해 훈련된 AI/ML 모델을 획득하는 기능들과 패턴들을 학습(learning)함으로써 AI 모델을 훈련하는 온라인(online) 또는 오프라인(offline) 프로세스
- AI/ML 추론(Inference): 훈련된 AI 모델을 이용하여 수집된 데이터와 AI 모델에 기반하여 예측하거나 결정을 유도하는 프로세스
도 12는 AI 동작을 위한 기능적 프레임워크(functional framework)를 예시한다.
도 12를 참조하면, 데이터 수집(Data Collection) 기능(function)(10)은 입력 데이터를 수집하고 모델 훈련(Model Training) function(20) 및 모델 추론(Model Inference) function(30)에게 가공된 입력 데이터를 제공하는 기능이다.
입력 데이터의 예로서, UE들 또는 다른 네트워크 개체(network entity)로부터의 측정들, 액터(Actor)의 피드백, AI 모델의 출력이 포함될 수 있다.
Data Collection function(10)은 입력 데이터를 기반으로 데이터 준비(data preparation)를 수행하고, data preparation를 통해 가공된 입력 데이터를 제공한다. 여기서, Data Collection function(10)는 AI 알고리즘 별로 특정한 data preparation(예를 들어, 데이터 사전-처리(pre-processing) 및 정리(cleaning), 형식 지정(forming) 및 변환(transformation))을 수행하지 않으며, AI 알고리즘에 공통된 data preparation를 수행할 수 있다.
데이터 준비 과정을 수행된 후, Model Training function(10)은 Model Training function(20)에게 훈련 데이터(Training Data)(11)를 제공하며, Model Inference function(30)에게 추론 데이터(Inference Data)(12)를 제공한다. 여기서, Training Data)(11)는 AI Model Training function(20)을 위한 입력으로 필요한 데이터이다. Inference Data(12)는 AI Model Inference function(30)을 위한 입력으로 필요한 데이터이다.
Data Collection function(10)은 단일의 개체(예를 들어, UE, RAN 노드, 네트워크 노드 등)에 의해 수행될 수도 있지만 복수의 개체들에 의해 수행될 수도 있다. 이 경우, 복수의 개체들로부터 Training Data)(11)와 Inference Data(12)가 각각 Model Training function(20)과 Model Inference function(30)에게 제공될 수 있다.
Model Training function(20)은 AI 모델 테스트 절차의 일부로 모델 성능 메트릭(metric)을 생성할 수 있는 AI 모델 훈련, 검증(validation) 및 테스트(test)를 수행하는 기능이다. Model Training function(20)은 필요한 경우 Data Collection function(10)에서 제공하는 Training Data(11)를 기반으로 데이터 준비(예를 들어, data pre-processing 및 cleaning, forming 및 transformation)도 담당한다.
여기서, 모델 배포/업데이트(Model Deployment/Update)(13)는 훈련되고 검증되고 테스트된 AI 모델을 Model Inference function(30)에 초기 배포하거나 업데이트된 모델을 Model Inference function(30)에 제공하기 위해 사용된다.
Model Inference function(30)은 AI 모델 추론 출력(Output)(16)(예를 들어, 예측 또는 결정)을 제공하는 기능이다. Model Inference function(30)은 적용가능한 경우, Model Training function(20)에 모델 성능 피드백(Model Performance Feedback)(14)을 제공할 수 있다. 또한, Model Inference function(30)은 필요한 경우 Data Collection function(10)이 제공하는 Inference Data(12)를 기반으로 데이터 준비(예를 들어, data pre-processing 및 cleaning, forming 및 transformation)도 담당한다.
여기서, 출력(Output)(16)은 Model Inference function(30)에 의해 생성된 AI 모델의 추론 출력을 의미하며, 추론 출력의 세부 정보는 사용 사례에 따라 다를 수 있다.
Model Performance Feedback(14)은 사용 가능한 경우 AI 모델의 성능을 모니터링하는 데 사용할 수 있으며, 이 피드백은 생략될 수도 있다.
액터(Actor) function(40)은 Model Inference function(30)으로부터 출력(16)을 수신하고, 해당하는 작업/동작을 트리거 또는 수행하는 기능이다. Actor function(40)은 다른 개체(entity)(예를 들어, 하나 이상의 UE, 하나 이상의 RAN 노드, 하나 이상의 네트워크 노드 등) 또는 자신에 대한 작업/동작을 트리거할 수 있다.
피드백(15)은 Training data(11), Inference data(12)를 도출하기 위해 또는 AI Model의 성능, 네트워크에 미치는 영향 등을 모니터링하기 위해 이용될 수 있다.
한편, AI/ML에서 사용되는 데이터 세트(Data set)에서 훈련(Training)/ 검증(validation) / 테스트(test)에 대한 정의는 다음과 같이 구분될 수 있다.
- 훈련 데이터(Training data): 모델을 학습하기 위한 Data set을 의미한다.
- 검증 데이터(Validation data): 학습이 이미 완료된 모델을 검증하기 위한 Data set을 의미한다. 즉, 보통 training data set의 과대적합(over-fitting)을 방지하기 위해서 사용되는 data set을 의미한다.
또한, 학습하는 과정에서 학습된 여러 가지 모델 중 최고(best)를 선택하기 위한 Data set을 의미한다. 따라서, 따라서, 학습의 일종으로 볼 수도 있다.
- 테스트 데이터(Test data): 최종 평가를 위한 Data set을 의미한다. 이 데이터는 학습과는 무관한 데이터이다.
상기 data set의 경우, 일반적으로 training set을 나눈다면, 전체 training set 내에서 training data과 validation data를 8:2 또는 7:3 정도로 나누어 사용될 수 있으며, test까지 포함을 한다면, 6:2:2 (training: validation: test)를 나누어 사용될 수 있다.
기지국과 단말사이의 AI/ML function의 능력의(capable) 여부에 따라 협력레벨을 다음과 같이 정의할 수 있으며, 하기 복수의 레벨의 결합 혹은 어느 하나의 레벨의 분리로 인한 변형도 가능하다.
Cat 0a) 협력이 없는 프레임워크(No collaboration framework): AI/ML 알고리즘은 순수 구현 기반이며 무선 인터페이스 변경이 필요하지 않는다.
Cat 0b) 이 레벨은 효율적인 구현 기반 AI/ML 알고리즘에 맞추어 수정된 무선 인터페이스를 수반하지만 협력은 없는 프레임워크에 해당한다.
Cat 1) 각 노드의 AI/ML 알고리즘을 개선하기 위한 노드 간 지원이 수반된다. 이는 UE가 gNB(훈련, 적응 등을 위해)로부터 지원을 받는 경우에 적용되며, 그 반대의 경우도 마찬가지이다. 이 레벨에서는 네트워크 노드 간의 모델 교환이 필요하지 않는다.
Cat 2) UE와 gNB 간의 공동 ML 작업이 수행될 수 있다. 이 레벨은 AI/ML 모델 명령 또는 네트워크 노드 간의 교환이 필요하다.
앞서 도 12에서 예시된 기능들은 RAN 노드(예를 들어, 기지국, TRP, 기지국의 중앙 장치(CU: central unit) 등), 네트워크 노드, 네트워크 사업자의 OAM(operation administration maintenance) 또는 UE에서 구현될 수도 있다.
또는, RAN, 네트워크 노드, 네트워크 사업자의 OAM 또는 UE 중 2개 이상의 개체가 협력하여 도 12에서 예시된 기능이 구현될 수도 있다. 예를 들어, 어느 하나의 개체가 도 12의 기능 중 일부를 수행하고, 다른 개체가 나머지의 기능을 수행할 수 있다. 이처럼, 도 12에서 예시하는 기능들 중 일부의 기능들이 단일의 개체(예를 들어, UE, RAN 노드, 네트워크 노드 등)에 의해 수행됨에 따라, 각 기능들 간의 데이터/정보의 전달/제공이 생략될 수 있다. 예를 들어, Model Training function(20)과 Model Inference function(30)이 동일한 개체에 의해 수행된다면, Model Deployment/Update(13)와 Model Performance Feedback(14)의 전달/제공은 생략될 수 있다.
또는, 도 12에 예시된 기능 중 어느 하나의 기능을 RAN, 네트워크 노드, 네트워크 사업자의 OAM 또는 UE 중 2개 이상의 개체가 협력(collaboration)하여 수행할 수도 있다. 이를 분할 AI 동작(split AI operation)으로 지칭할 수 있다.
도 13은 분할 AI 추론을 예시하는 도면이다.
도 13에서는 split AI operation 중에서 특히 Model Inference function이 UE와 같은 종단 기기(end device)와 네트워크 AI/ML 종단 기기(network AI/ML endpoint)에서 협력하여 수행되는 경우를 예시한다.
Model Inference function 이외에도 Model Training function, Actor, Data Collection function 각각도 현재의 작업 및 환경에 따라 다수의 부분들로 분할(split)되고, 다수의 개체들이 협력함으로써 수행될 수 있다.
예를 들어, 계산 집약적(computation-intensive)이고 에너지 집약적(energy-intensive)인 부분을 network endpoint에서 수행되는 반면 개인 정보에 민감한 부분과 지연에 민감한 부분은 end device에서 수행될 수 있다. 이 경우, end device는 입력 데이터로부터 특정 부분/계층까지 작업/모델을 실행한 다음, 중간 데이터(intermediated data)를 네트워크 끝점으로 전송할 수 있다. network endpoint는 나머지 부분/계층을 실행하고 추론 출력(Inference outputs)결과를, 동작/작업을 수행하는 하나 이상의 장치들에게 제공한다.
도 14는 무선 통신 시스템에서 기능적 프레임워크(functional framework)의 적용을 예시한다.
도 14에서는 AI Model Training function이 네트워크 노드(예를 들어, 코어 네트워크 노드, 네트워크 사업자의 OAM 등)에 의해 수행되고, AI Model Inference function이 RAN 노드(예를 들어, 기지국, TRP, 기지국의 CU 등)에 의해 수행되는 경우를 예시한다.
단계 1: RAN 노드 1과 RAN 노드 2는 AI Model Training을 위한 입력 데이터(즉, Training data)를 네트워크 노드에게 전송한다. 여기서, RAN 노드 1과 RAN 노드 2는 UE로부터 수집한 데이터(예를 들어, 서빙 셀과 이웃 셀의 RSRP, RSRQ, SINR과 관련된 UE의 측정, UE의 위치, 속도 등)를 함께 네트워크 노드에게 전송할 수 있다.
단계 2: 네트워크 노드는 수신한 Training data를 이용하여 AI Model을 훈련한다.
단계 3: 네트워크 노드는 AI Model을 RAN 노드 1 및/또는 RAN 노드 2에게 배포/업데이트한다. RAN 노드 1(및/또는 RAN 노드 2)은 수신한 AI Model에 기반하여 모델 훈련을 계속 수행할 수도 있다.
설명의 편의를 위해 RAN 노드 1에게만 AI Model이 배포/업데이트되었다고 가정한다.
단계 4: RAN 노드 1은 UE와 RAN 노드 2로부터 AI Model Inference를 위한 입력 데이터(즉, Inference data)를 수신한다.
단계 5: RAN 노드 1은 수신한 Inference data를 이용하여 AI Model Inference를 수행하여 출력 데이터(예를 들어, 예측 또는 결정)을 생성한다.
단계 6: 적용가능한 경우, RAN 노드 1은 네트워크 노드에게 모델 성능 피드백을 전송할 수 있다.
단계 7: RAN 노드 1, RAN 노드 2 및 UE(또는 'RAN 노드 1과 UE', 또는 'RAN 노드 1과 RAN 노드 2')는 출력 데이터에 기반한 동작(action)을 수행한다. 예를 들어, 로드 밸런싱(load balancing) 동작인 경우, UE가 RAN 노드 1에서 RAN 노드 2로 이동할 수도 있다.
단계 8: RAN 노드 1과 RAN 노드 2는 네트워크 노드에게 피드백 정보를 전송한다.
도 15는 무선 통신 시스템에서 기능적 프레임워크(functional framework)의 적용을 예시한다.
도 15에서는 AI Model Training function과 AI Model Inference function이 모두 RAN 노드(예를 들어, 기지국, TRP, 기지국의 CU 등)에 의해 수행되는 경우를 예시한다.
단계 1: UE와 RAN 노드 2는 AI Model Training을 위한 입력 데이터(즉, Training data)를 RAN 노드 1에게 전송한다.
단계 2: RAN 노드 1은 수신한 Training data를 이용하여 AI Model을 훈련한다.
단계 3: RAN 노드 1은 UE와 RAN 노드 2로부터 AI Model Inference를 위한 입력 데이터(즉, Inference data)를 수신한다.
단계 4: RAN 노드 1은 수신한 Inference data를 이용하여 AI Model Inference를 수행하여 출력 데이터(예를 들어, 예측 또는 결정)을 생성한다.
단계 5: RAN 노드 1, RAN 노드 2 및 UE(또는 'RAN 노드 1과 UE', 또는 'RAN 노드 1과 RAN 노드 2')는 출력 데이터에 기반한 동작(action)을 수행한다. 예를 들어, 로드 밸런싱(load balancing) 동작인 경우, UE가 RAN 노드 1에서 RAN 노드 2로 이동할 수도 있다.
단계 6: RAN 노드 2는 RAN 노드 1에게 피드백 정보를 전송한다.
도 16은 무선 통신 시스템에서 기능적 프레임워크(functional framework)의 적용을 예시한다.
도 16에서는 AI Model Training function이 RAN 노드(예를 들어, 기지국, TRP, 기지국의 CU 등)에 의해 수행되고, AI Model Inference function이 UE에 의해 수행되는 경우를 예시한다.
단계 1: UE는 AI Model Training을 위한 입력 데이터(즉, Training data)를 RAN 노드에게 전송한다. 여기서, RAN 노드는 다양한 UE들로부터 및/또는 다른 RAN 노드로부터 데이터(예를 들어, 서빙 셀과 이웃 셀의 RSRP, RSRQ, SINR과 관련된 UE의 측정, UE의 위치, 속도 등)를 수집할 수 있다.
단계 2: RAN 노드는 수신한 Training data를 이용하여 AI Model을 훈련한다.
단계 3: RAN 노드는 AI Model을 UE에게 배포/업데이트한다. UE는 수신한 AI Model에 기반하여 모델 훈련을 계속 수행할 수도 있다.
단계 4: UE와 RAN 노드로부터(및/또는 다른 UE로부터) AI Model Inference를 위한 입력 데이터(즉, Inference data)를 수신한다.
단계 5: UE는 수신한 Inference data를 이용하여 AI Model Inference를 수행하여 출력 데이터(예를 들어, 예측 또는 결정)를 생성한다.
단계 6: 적용가능한 경우, UE는 RAN 노드에게 모델 성능 피드백을 전송할 수 있다.
단계 7: UE와 RAN 노드는 출력 데이터에 기반한 동작(action)을 수행한다.
단계 8: UE는 RAN 노드에게 피드백 정보를 전송한다.
개선된 코드북-기반 CSI
전술한 바와 같은 NN(예를 들어, DNN) 구조에 기반하여 CSI 피드백을 개선할 수 있다. 이를 AI/ML-개선된(enhanced) CSI 피드백이라 할 수 있다. 전술한 NN 구조는 AI/ML-개선된 CSI 피드백을 수행하기 위한 일 예가 될 수 있고, NN 구조의 타입/예시 등이 본 개시의 범위를 제한하는 것은 아니다. 즉, 본 개시에서 NN이라는 용어는 AI/ML 모델의 일례로서 사용될 수 있으며, AI/ML 모델은 AI 및/또는 ML 기술에 기반한 모델을 의미한다. 본 개시에서는 주로 AI/ML 모델이라는 용어를 사용하여 설명하지만, 또 다른 NN 구조 및/또는 AI/ML 알고리즘에 기반하여 본 개시의 AI/ML-개선된 CSI 피드백이 수행될 수도 있다.
다양한 NN 및/또는 AI/ML 알고리즘에 기반한 AI/ML-개선된 CSI 피드백은, 기지국과 단말 사이에서 CSI 피드백 오버헤드를 줄이거나, CSI의 정확도를 높이기 위하여 적용될 수 있다. 기존 무선 통신 시스템에서 정의되는 CSI 피드백 프레임워크를 최대한 이용하면서, AI/ML 알고리즘의 적용으로 인한 영향을 최소화하기 위해서, 기존의 코드북-기반 프리코딩 행렬 보고를 이용할 수 있다. 본 개시에서는 코드북-기반 프리코딩 행렬 보고에 적용가능한 AI/ML-개선된 CSI 피드백에 대한 다양한 예시들에 대해서 설명한다.
코드북은 기지국과 단말 간에 미리 정의/공유되는 프리코딩 행렬의 집합에 해당할 수 있다. 하나 이상의 코드북이 미리 정의/공유되고, 그 중의 하나 이상의 요소(또는 코드워드)를 지시하는 정보(예를 들어, PMI)가 단말로부터 기지국으로 보고될 수 있다. 기존의 코드북은 제한된 개수의 양자화된 프리코딩 행렬들을 포함하고, PMI는 그 중에서 단말에서 추정된 채널 특성에 가장 근접한 프리코딩 행렬을 지시할 수 있다. 즉, 보고되는 PMI에 대응하는 프리코딩 행렬은 추정된 채널 특성에 근접하기는 하지만, 기정의된 양자화된 요소들로 제한된다는 한계를 가진다.
본 개시에 있어서 어떤 정보가 단말과 기지국 간에 정의(define)됨은, 단말과 기지국 간의 별도의 시그널링 없이 해당 정보를 단말과 기지국이 알고 있음을 의미하고; 단말과 기지국 간에 설정(configure)됨은 단말과 기지국 간의 상위계층(예를 들어, RRC) 시그널링을 통하여 해당 정보를 송신/수신함을 의미하고; 단말과 기지국 간에 지시(indicate)됨은 하위계층(예를 들어, L1(예를 들어, DCI/UCI), L2(예를 들어, MAC-CE)) 시그널링을 통하여 해당 정보를 송신/수신함을 의미할 수 있다.
도 17은 본 개시가 적용될 수 있는 AI/ML-개선된 CSI 피드백을 위한 기지국과 단말의 동작을 예시적으로 나타내는 도면이다.
본 개시에서 개선된 코드북-기반 CSI은, 기존의 코드북-기반 프리코딩 행렬 보고를 이용하면서, 기존의 코드북에 포함되는 프리코딩 행렬의 한계를 넘어서 추정된 채널 특성에 보다 근접하는 프리코딩 행렬에 기반하는 더 정밀한 CSI를 보고하는 방안에 해당할 수 있다.
도 17의 단계 S100은 기지국과 단말 각각에서 AI/ML-개선된 CSI 획득을 위한 AI/ML 모델(예를 들어, NN)의 훈련(또는 NN 파라미터의 학습) 및 공유 동작을 포함할 수 있다. AI/ML 모델(또는 NN)에 대한 훈련은 단말에서 수행될 수도 있고, 네트워크 측(예를 들어, 기지국 및/또는 AI/ML 서버)에서 수행될 수도 있다.
예를 들어, S102-1에서 단말이 NN에 대한 훈련을 위한 신호(예를 들어, 알려진 데이터/시퀀스 등)를 기지국이 단말에게 송신하고, S104-1에서 단말이 AI/ML 모델에 대한 훈련(또는 AI/ML 모델에 대한 파라미터 학습)을 수행하고, S106-1에서 단말은 훈련 결과 또는 학습한 AI/ML 모델에 대한 파라미터를 기지국으로 보고할 수 있다. AI/ML 모델에 대한 파라미터는 S140의 CSI 보고와 함께 기지국으로 보고될 수도 있다.
추가적으로 또는 대안적으로, S102-2에서 기지국 / AI/ML 서버에서 AI/ML 모델에 대한 훈련(또는 AI/ML 모델에 대한 파라미터 학습)을 수행하고, S104-2에서 AI/ML 모델에 대한 훈련 결과 또는 학습한 AI/ML 모델에 대한 파라미터가 단말에게 제공될 수 있다. 이에 따라, 단말에서는 　AI/ML 모델을 추론(inference)할 수 있다.
전술한 예시들에서 AI/ML 모델에 대한 파라미터 보고/제공은, 훈련된 AI/ML 모델을 전이(transfer) 또는 전달(delivery)을 포함할 수 있다. 예를 들어, AI/ML 모델 전달은 어떠한 방식으로든 하나의 엔터티에서 다른 엔터티로 AI/ML 모델이 전달되는 것을 의미하며, 엔터티는 네트워크 노드/기능(예를 들어, gNB, LMF( Location Management Function) 등), 단말 사유(proprietary) 서버 등에 해당할 수 있다. AI/ML 모델 전이는 에어 인터페이스를 통한 AI/ML 모델의 전달에 해당하고, 수신 단에서 알고 있는 모델 구조의 파라미터가 전달되거나, 또는 파라미터와 함께 새로운 모델이 전달될 수도 있다. 전달은 모델의 일부 또는 전부를 포함할 수도 있다.
AI/ML 모델에 대한 훈련(S100) 전에 AI/ML 모델 관련 단말의 캐퍼빌리티 정보가 기지국으로 보고될 수도 있다. 추가적으로 또는 대안적으로, 단말 캐퍼빌리티 정보는 S140의 CSI 보고와 함께 기지국으로 보고될 수도 있다. 예를 들어, 단말의 캐퍼빌리티 정보 등에 기반하여 S100 전에 AI/ML 모델 관련 설정 정보, AI/ML 모델 훈련을 위한 신호 관련 설정 정보 등이 단말에게 설정/지시될 수 있다.
S110 내지 S140은 기지국이 전송한 CSI-RS에 기반하여 단말이 CSI를 산출/획득하고, 단말이 이를 기지국으로 보고하는 동작에 해당한다. S110의 CSI-RS 설정은 CSI-RS 송신을 위한 자원, 송신 방식 등에 대한 설정 정보를 포함할 수 있고, CSI 보고 설정은 단말이 보고해야 하는 보고 퀀티티(quantity), 보고 방식 등에 대한 설정 정보를 포함할 수 있다. S120에서 기지국은 단말에게 CSI-RS를 전송하고 단말은 이를 수신할 수 있다. S130에서 단말은 수신한 CSI-RS에 기반하여 CSI(예를 들어, CRI, RI, PMI, CQI, LI 등)을 산출/획득할 수 있다. S140에서 단말은 산출/획득된 CSI를 기지국으로 보고할 수 있다. S15에서 기지국은 CSI를 획득할 수 있다.
S135에서 단말은, S130에서 CSI-RS에 기반하여 산출되는 CSI에 추가적으로, 산출된 CSI 및 AI/ML 모델에 기반하는 AI/ML-개선된 CSI를 산출/획득할 수 있다. 개선된 CSI는 CSI와 함께 또는 별도로 S140에서 기지국으로 보고될 수 있다. S155에서 개선된 CSI를 획득할 수 있다. 예를 들어, S155에서 기지국은, S100에서 단말로부터 보고 받은 또는 단말에게 제공한 AI/ML 모델에 대한 파라미터(또는 AI/ML 모델에 대한 파라미터를 적용한 AI/ML 모델)에 기반하여, S150에서 획득한 단말로부터의 CSI로부터 개선된 CSI를 획득할 수 있다. 추가적으로 또는 대안적으로, 기지국은 S155에서 획득한 단말로부터의 개선된 CSI(예를 들어, 개선된 CQI)에 대해서 AI/ML 모델에 대한 파라미터에 기반하여 단말이 추정한 채널에 대한 정보(예를 들어, 개선된 CQI의 산출을 위하여 단말이 가정한 프리코딩 행렬)를 기지국에 의해 개선된 CSI로서 획득할 수도 있다.
S160 및 S170에서 기지국은 단말로부터 획득한 CSI / 개선된 CSI에 기반하여 데이터 채널(예를 들어, PDSCH)을 스케줄링하고(예를 들어, 스케줄링 정보를 포함하는 DCI를 PDCCH를 통하여 송신하고), 스케줄링 정보에 기반하여 데이터 채널을 통해 데이터를 단말에게 송신할 수 있다. 기지국은 하향링크 데이터 스케줄링에 있어서 단말로부터의 CSI / 개선된 CSI를 참고할 뿐, 이를 반드시 반영하지는 않을 수도 있다.
도 18은 본 개시가 적용될 수 있는 코드북-기반 및 개선된 코드북-기반 CSI 피드백을 설명하기 위한 도면이다.
도 18에 도시된 도면부호는 도 17의 예시에서의 해당 단계를 나타낸다.
도 18(a)는 기존의 무선 통신 시스템에서 기지국과 단말 사이에 공유되는 프리코딩 행렬에 대한 코드북에 기반하여 CSI 피드백을 수행하고, CSI를 참고하여 데이터 채널을 송신하는 동작의 예시를 나타낸다.
단말은 CSI-RS를 수신하고(S120) 이를 통해 채널
Figure PCTKR2023004062-appb-img-000009
를 추정할 수 있다. 단말은 추정된 채널에 기반하여, 설정된 코드북 내에서 적합한 프리코딩 행렬 W를 선택/산출할 수 있다(S130). 단말은 선택/결정된 프리코딩 행렬에 대응하는 PMI를 포함하여, CRI/RI/CQI 등의 CSI를 기지국으로 보고할 수 있다(S140). 코드북은 기존의 무선 통신 시스템에서 정의된 코드북 (예를 들어, 타입 I/타입 II, 단일-패널/다중-패널, 포트 선택, CSI 보고 레이어 개수 등에 기반하여 다양하게 정의되어 있는 하나 이상의 코드북) 및/또는 또는 미래의 무선 통신 시스템에서 정의될 코드북을 포함할 수 있다.
프리코딩 행렬이 선택/결정되면, 해당 프리코딩 행렬에 기반한 CQI가 계산될 수 있다. 예를 들어, CQI 인덱스의 보고가 설정되는 경우, CSI 레퍼런스 자원에서, 단말은 CQI 인덱스를 유도하기 위해서, PDSCH 송신이 최대 8 송신 레이어로 수행되는 것을 고려한 PDSCH 송신 기법에 대한 가정을 포함하는 다양한 가정을 적용할 수 있다. 다음의 수학식에서 주어지는 바와 같이, CQI 계산을 위해서 단말은 v 개의 레이어에 대한 안테나 포트 [1000, ..., 1000+v-1] 상에서의 DPSCH 신호가, 안테나 포트 [3000, ..., 3000+P-1] 상에서 송신되는 대응하는 심볼과 동등한(equivalent) 신호인 것으로 가정할 수 있다. 아래의 수학식에서 W(i)은 프리코딩 행렬에 해당할 수 있다.
Figure PCTKR2023004062-appb-img-000010
여기서 x(i)=[x(0)(i)...x(v-1)(i)]T 는 레이어 매핑으로부터의 PDSCH 심볼의 벡터이고, P∈[1, 2, 4, 8, 12, 16, 24, 32] 는 CSI-RS 포트의 개수에 해당할 수 있다. 하나의 CSI-RS 포트만이 설정되는 경우, W(i)는 1이다. CSI 보고 설정에서의 상위 계층 파라미터인 CSI 보고 퀀티티가 CQI 보고를 포함하는 'cri-RI-PMI-CQI' 또는 'cri-RI-LI-PMI-CQI'으로 설정되는 경우, W(i)는 x(i)에 적용가능한 보고되는 PMI에 대응하는 프리코딩 행렬일 수 있다. CSI 보고 설정에서의 상위 계층 파라미터인 CSI 보고 퀀티티가 CQI 보고를 포함하는 'cri-RI-CQI'으로 설정되는 경우, W(i)는 PMI 포트 지시 설정 여부에 따른 절차에 따라서 결정될 수 있다. CSI 보고 설정에서의 상위 계층 파라미터인 CSI 보고 퀀티티가 CQI 보고를 포함하는 'cri-RI-i1-CQI'으로 설정되는 경우, W(i)는 보고되는 코드북 타입 및 PMI 포맷 지시자에 따른 절차에서 보고되는 i1에 해당하는 프리코딩 행렬일 수 있다. 안테나 포트 [3000, ..., 3000+P-1] 상에서 송신되는 PDSCH 신호는 소정의 값으로 주어지는 비율(ratio)와 동일한 EPRE 대 CSI-RS EPRE의 비율을 가질 수 있다. CSI 보고 설정에서의 상위 계층 파라미터인 CSI 보고 퀀티티가 CQI 보고를 포함하는 'cri-RI-PMI-CQI' 또는 'cri-RI-LI-PMI-CQI'으로 설정되는 경우, 채널 측정을 위한 해당 CSI-RS 자원 세트는 2 개의 자원 그룹 및 N 개의 자원 쌍으로 설정될 수 있고, 보고되는 CRI는 　N 개의 자원 쌍 중의 하나의 엔트리에 대응할 수 있고, 보고되는 랭크 조합은 {v1,v2}일 수 있다.
도 18(b)는 AI/ML 모델에 기반한 AI/ML-개선된 CSI 피드백을 수행하고, AI/ML-개선된 CSI를 참고하여 데이터 채널을 송신하는 동작의 예시를 나타낸다. AI/ML-개선된 CSI는 코드북에 포함되지 않은 프리코딩 행렬에 기반하는 것이므로 비-코드북-기반 CSI이라고 할 수도 있으나, 본 개시에서는 기존의 코드북-기반 CSI에 기초하여 AI/ML 모델 적용을 통해 개선된 CSI를 도출하는 특징을 표현하기 위해서, 개선된 코드북-기반 CSI라고도 칭한다.
도 18(a)의 예시와 마찬가지로, 도 18(b)의 예시에서도 CSI-RS 수신(S120), 채널 추정, PMI를 포함하는 CSI 산출(S130), 및 CSI 보고(S140)가 수행될 수 있다. 이에 추가적으로, 단말은 코드북 내에서 선택한 프리코딩 행렬 W 및 훈련을 완료한 AI/ML 모델에 기반하여, 단말에서 추정된 채널에 보다 적합한 프리코딩 행렬에 해당하는
Figure PCTKR2023004062-appb-img-000011
를 산출할 수 있다. 또한,
Figure PCTKR2023004062-appb-img-000012
에 기반하여 (예를 들어, 전술한 수학식 3을 참조하여 설명한 프리코딩 행렬 기반 CQI 산출 동작에 따라), AI/ML-개선된 CSI에 해당하는 CQIAI를 산출할 수 있다. CQIAI는 기존의 CQI(즉, 코드북-기반 프리코딩 행렬에 기반하여 산출되는 CQI)에 추가적으로 또는 기존의 CQI를 대체하여 기지국으로 보고될 수 있다.
기지국은 단말로부터 보고받은 PMI 및 훈련을 완료한 AI/ML 모델에 대한 파라미터에 대한 보고 값에 기반하여, 단말이 CQIAI를 산출할 때 가정한
Figure PCTKR2023004062-appb-img-000013
를 획득할 수 있다. 기지국은 CQIAI에 기반하여 데이터 채널에 대한 스케줄링(예를 들어, 데이터 채널에 대한 MCS 지정)을 수행하고,
Figure PCTKR2023004062-appb-img-000014
에 기반하여 데이터 채널을 통해 데이터를 송신할 수 있다.
도 17 및 도 18을 참조하여 설명한 예시들에서 기지국과 단말의 동작은 본 개시에서 주로 가정하는 동작을 설명한 것일 뿐, 본 개시의 범위를 제한하려는 것이 아니다. 특히, 도 17 및 도 18의 예시에서 설명한 특정 용어가 특정 기능/동작을 제한하지 않는다. 따라서, 전술한 예시들에서의 기능/동작/방법은 특정 용어에 의해 제한되지 않고, 다른 용어에 의해서 지칭되는 경우도 본 개시의 범위에 포함될 수도 있다. 또한, 전술한 예시들에서 일부 동작의 순서가 변경되거나, 일부 동작이 추가되거나, 일부 동작이 생략되는 것도 본 개시의 범위에 포함될 수 있다.
도 19는 본 개시에 따른 단말의 개선된 코드북-기반 CSI 송신 방법의 일 예시를 설명하기 위한 도면이다.
단계 S1910에서 단말은 하나 이상의 CSI-RS를 네트워크로부터 수신할 수 있다. CSI-RS 송신은 단말에게 미리 설정된 CSI-RS 설정 및/또는 CSI 보고 설정에 기반하여 수행될 수 있다. CSI 보고 설정에 기반하여, 하나 이상의 CSI 보고에 포함될 보고 퀀티티에 대한 정보가 단말에게 설정/지시될 수 있다.
단계 S1920에서 단말은 하나 이상의 CSI-RS에 기초하는, 코드북-기반 PMI 및 개선된 코드북-기반 CQI를 포함하는 하나 이상의 CSI를 네트워크로 송신할 수 있다.
CSI-RS에 기초하는 PMI, CQI 등의 CSI는, CSI-RS에 기초하여 단말에 의해서 추정되는 채널의 특성을 나타내는 CSI에 해당할 수 있다.
코드북-기반 PMI는 제 1 프리코딩 행렬에 대응하고, 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 의해 정의되는 프리코딩 행렬 세트에 포함될 수 있다.
개선된 코드북-기반 CQI는 제 2 프리코딩 행렬에 기반하여 산출될 수 있다. 제 2 프리코딩 행렬은 제 1 프리코딩 행렬 및 하나 이상의 AI/ML 모델 관련 정보에 기반하여 결정될 수 있다.
예를 들어, 제 1 프리코딩 행렬에 연관되는 프리코딩 행렬 세트(즉, 하나 이상의 미리 정해진 코드북 기반 프리코딩 행렬(들))에 포함되지 않는 프리코딩 행렬일 수 있다. 예를 들어, 제 2 프리코딩 행렬은, 제 1 프리코딩 행렬에 비하여, 상대적으로 더 정밀한 단위크기(finer granularity)에 대응하거나, 상대적으로 더 미래 시점의 채널 상태에 대응하거나, 및/또는 단말에 의해 추정된 채널에 대해 상대적으로 더 근접하는 프리코딩 행렬일 수 있다. 추가적으로 또는 대안적으로, 제 2 프리코딩 행렬은, 단말에 의해 추정되는 채널 상태에 기반하여 훈련된 AI/ML 모델에 기반하여 유도되거나, 추정되는 채널 자체에 대한 정보이거나, 및/또는 추정되는 채널에 대한 유사도를 나타내는 정보일 수도 있다.
AI/ML 모델 관련 정보는 네트워크와 단말 간에 미리 공유되며, 단말 및/또는 네트워크에 대한 AI/ML 모델 관련 정보를 포함할 수 있다. 예를 들어, AI/ML 모델 관련 정보는 AI/ML 모델에 대한 설정 정보, AI/ML 모델에 대한 파라미터, AI/ML 모델에 대한 설정정보/파라미터의 유도에 이용되는 데이터, 및/또는 AI/ML 모델에 대한 타입 정보를 포함할 수 있다.
하나의 CSI 보고에 포함되는 정보는, 제 1 프리코딩 행렬을 지시하는 제 1 PMI, 제 1 프리코딩 행렬에 기반하는 제 1 CQI, 또는 제 2 프리코딩 행렬에 기반하는 제 2 CQI 중의 하나 이상일 수 있다. 추가적으로 또는 대안적으로, 제 1 CSI 보고에 제 1 PMI가 포함되고, 제 2 CSI 보고에 제 2 CQI가 포함될 수도 있다. 예를 들어, 제 2 CQI는 제 1 CQI를 기준으로 하는 차이 값으로 정의될 수도 있다. 차이 값은 CQI 인덱스, SNR, SINR, MCS 등에 대한 차이 값에 해당할 수 있다. 예를 들어, 제 1 CQI와 제 2 CQI가 기반하는 주파수 대역 크기가 상이하게 설정/지시될 수도 있다. 예를 들어, CSI 보고 중에서 제 2 CQI는 단말의 AI/ML 모델 관련 정보와 함께 네트워크에게 보고될 수도 있다. 예를 들어, 제 1 CQI 또는 제 2 CQI 중의 하나 이상을 포함하는지 여부를 지시하는 정보가 CSI 보고(예를 들어, 제 1 CSI 보고)에 포함될 수도 있다.
하나 이상의 CSI 보고와 함께 또는 별도로, 단말은 AI/ML 모델 관련 정보의 업데이트 요청을 네트워크에게 송신할 수도 있다. 예를 들어, 제 2 CQI 값이 특정 값을 가지거나, 제 2 CQI와 다른 CSI 정보의 조합이 특정 값을 가지는 경우, AI/ML 모델 관련 파라미터 업데이트 요청에 해당할 수 있다. AI/ML 모델 관련 파라미터 업데이트가 요청되면, 네트워크는 새로운 훈련 신호의 송신이 요청되는 것으로 해석할 수도 있다. AI/ML 모델 관련 정보의 업데이트 요청에 응답하여, 제 2 CQI 보고 여부가 네트워크에 의해서 단말에게 설정될 수도 있다.
도 20은 본 개시에 따른 기지국의 개선된 코드북-기반 CSI 수신 방법의 일 예시를 설명하기 위한 도면이다.
단계 S2010에서 기지국은 하나 이상의 CSI-RS를 단말에게 송신할 수 있다.
단계 S2020에서 기지국은 하나 이상의 CSI-RS에 기초하는, 코드북-기반 PMI 및 개선된 코드북-기반 CQI를 포함하는 하나 이상의 CSI를 단말로부터 수신할 수 있다.
기지국은 단말로부터 수신된 개선된 코드북-기반 CSI를 포함하는 CSI를 참고하여, 해당 단말에 대한 자원 할당, 데이터 채널 스케줄링 등을 수행할 수 있다.
도 20의 예시에서 개선된 코드북-기반 CQI 및 AI/ML 모델 관련 정보에 대한 구체적인 설명은 도 19의 예시와 동일하므로, 중복되는 설명은 생략한다.
이하에서는 본 개시에 따른 개선된 코드북-기반 CSI 피드백에 대한 구체적인 예시들에 대해서 설명한다. 예를 들어, 기지국과 단말이 공유하는 코드북에 기반하여 단말이 제 1 프리코딩 행렬을 선택하는 방안, 단말이 제 1 프리코딩 행렬 및 AI/ML 모델 관련 정보에 기반하여 제 2 프리코딩 행렬을 유도하는 방안, 단말이 제 2 프리코딩 행렬에 기반하여 제 2 CQI를 유도하는 방안, 및 단말이 제 1 프리코딩 행렬에 대한 PMI 및 제 2 CQI를 기지국으로 보고하는 방안에 대해서 설명한다.
제 1 프리코딩 행렬은 코드북-기반 프리코딩 행렬에 해당한다. 예를 들어, 코드북-기반 프리코딩 행렬은, 기존의 무선 통신 시스템에서 정의된 코드북(예를 들어, 타입 I/타입 II, 단일-패널/다중-패널, 포트 선택, CSI 보고 레이어 개수 등에 기반하여 다양하게 정의되어 있는 하나 이상의 코드북) 및/또는 또는 미래의 무선 통신 시스템에서 정의될 코드북에 의해서 정의되는 프리코딩 행렬 집합에 포함될 수 있다. 단말은 해당 프리코딩 행렬 집합 중에서 프리코딩 행렬을 선택할 수 있다.
제 2 프리코딩 행렬은 제 1 프리코딩 행렬 및 AI/ML 모델 관련 정보에 기반하여 기지국/단말이 유도할 수 있는 프리코딩 행렬을 의미할 수 있다. 제 2 프리코딩 행렬은 기지국과 단말 사이에서 미리 정해진 코드북 방식으로 공유되지 않는 프리코딩 행렬에 해당할 수 있다.
제 2 CQI는 소정의 CQI 계산 동작(예를 들어, 수학식 3을 참조하여 설명한 프리코딩 행렬 기반 CQI 계산 동작)에 따라서 제 2 프리코딩 행렬에 기반하여 계산되는 CQI를 의미할 수 있다. 예를 들어, 전술한 수학식 3와 관련된 설명을 제 2 프리코딩 행렬에 기반하여 제 2 CQI를 계산하는 본 개시의 동작에 적용하는 경우, 수학식 3의 W(i)는, 제 1 프리코딩 행렬(즉, 코드북-기반 프리코딩 행렬) 및 AI/ML 모델 관련 정보에 기반하여 기지국/단말이 유도할 수 있는 제 2 프리코딩 행렬에 해당한다.
본 개시의 CSI 보고 방법 자체는, 코드북-기반 PMI 보고 및 CQI 보고 방법과 같이 기존의 무선 통신 시스템에서 정의된 CSI 보고 방법(예를 들어, CSI 보고 타이밍, 보고 자원, 보고되는 정보의 종류 등)이 그대로 적용될 수도 있다. 이에 추가적으로, NN 및/또는 AI/ML을 적용하여 기지국/단말에서의 프리코딩 행렬의 정확도를 향상시켜서 시스템 성능을 향상시킬 수도 있다. 여기서, 동일한 AI/ML 모델 관련 정보(예를 들어, AI/ML 모델에 대한 설정 정보 및/또는 AI/ML 모델에 대한 파라미터)를 기지국/단말이 서로 공유하고, 이러한 AI/ML 모델 관련 정보 및 제 1 프리코딩 행렬에 기반하여, 기지국과 단말은 동일한 제 2 프리코딩 행렬을 유도할 수 있다. 따라서, 단말은 제 2 프리코딩 행렬에 대한 직접적인 보고는 수행하지 않을 수 있고, 현재 표준의 코드북 기반의 PMI 보고 방식을 그대로 이용할 수 있다.
실시예 1
본 실시예는, 제 1 프리코딩 행렬 및 AI/ML 모델 관련 정보에 기반하여 제 2 프리코딩 행렬을 유도하는 방안에 대한 것이다.
예를 들어, 제 1 프리코딩 행렬에 비하여 상대적으로 더 촘촘한 밀도의 제 2 프리코딩 행렬이 유도될 수 있다.
프리코딩 행렬 선택/결정에 있어서 단말에게 설정될 수 있는 서브밴드 크기가 정의될 수 있다. BWP 크기에 따라서 서브밴드 크기는 4, 8, 16, 32 등의 PRB들이 설정/지시될 수 있다. 예를 들어, BWP 크기가 24-72 개의 PRB인 경우, 최소 4개의 PRB 단위로 제 1 프리코딩 행렬이 보고되도록 설정될 수 있다. 이와 같이 x 개의 PRB 단위로 제 1 프리코딩 행렬이 보고되도록 설정된 경우, AI/ML 모델을 통해서, x 개의 PRB 단위의 제 1 프리코딩 행렬 및 무선 채널 특성 등에 기반하여 미리 학습된 AI/ML 모델 관련 정보(예를 들어, AI/ML 모델 설정 값 및/또는 AI/ML 모델 파라미터)에 기반하여, y 개의 PRB 단위의 제 2 프리코딩 행렬을 유도할 수 있다. 여기서, y는 x 이하의 값으로 설정/지시/정의될 수 있다.
이에 따라 상대적으로 밀도가 낮은(coarse) 코드북에 기반하여 상대적으로 밀도가 높은(finer) 단위크기(granularity)의 프리코딩 행렬을 지시/이용하는 효과를 얻을 수 있다. 또한, PMI에 대한 페이로드 감소 효과를 얻을 수 있다. 동일한 PMI 페이로드에 대해서, 더 밀도가 높은 코드북을 이용하는 것과 같은 효과를 가질 수 있다.
추가적으로 또는 대안적으로, 제 1 프리코딩 행렬을 보고한 시점에 비하여 상대적으로 미래 시점의 채널에 적합한 제 2 프리코딩 행렬을 유도할 수 있다.
예를 들어, 이동성을 가진 단말의 경우 무선 채널 환경이 시변하는(time-variant) 특성으로 인해, CSI를 보고한 시점에 비하여 시간이 경과됨에 따라 보고된 CSI의 정확도가 떨어지게 된다. AI/ML 모델을 통해서, 특정 시점에 보고되는 제 1 프리코딩 행렬 및 무선 채널 특성 등에 기반하여 미리 학습된 AI/ML 모델 관련 정보(예를 들어, AI/ML 모델 설정 값 및/또는 AI/ML 모델 파라미터)에 기반하여, 제 1 프리코딩 행렬을 보고한 특정 시점에 비하여 미래 시점의 채널에 적합한 제 2 프리코딩 행렬을 유도할 수 있다.
이에 따라, 미래 시점에 적합할 것으로 예측되는 프리코딩 행렬 관련 정보를 보고하는 효과를 가질 수 있다.
추가적으로 또는 대안적으로, SVD(singular value decomposition)/EVD(eigen value decomposition) 등을 이용하여 유도되는 단말 관점에서 최적의 프리코딩 행렬을 Wopt라 하면, Wopt에 최대한 근접하는 프리코딩 행렬을 제 2 프리코딩 행렬로서 유도할 수도 있다.
단말은 CSI-RS 등에 기반하여 하향 링크 채널을 추정하고, SVD/EVD 등을 이용하여 단말 관점에서 최적의 프리코딩 행렬 Wopt를 유도할 수 있다. CSI 피드백 페이로드의 제한으로 인해, 단말은 일정한 레벨로 양자화(quantization)되어 있는 코드북 내의 프리코딩 행렬 집합 중에서 Wopt와 가장 유사한 제 1 프리코딩 행렬을 선택하여 기지국으로 보고할 수 있다. AI/ML 모델을 통해서, 일정한 레벨로 양자화되어 있는 제 1 프리코딩 행렬 및 무선 채널 특성 등에 기반하여 미리 학습된 AI/ML 모델 관련 정보(예를 들어, AI/ML 모델 설정 값 및/또는 AI/ML 모델 파라미터)에 기반하여 (바람직하게는 제 1 프리코딩 행렬에 비하여 상대적으로 더) Wopt에 근접한 제 2 프리코딩 행렬을 유도할 수 있다.
이에 따라, 보다 정교한 프리코딩 행렬을 기지국이 획득할 수 있고, 이를 통해 의도된 신호의 세기를 증가시키고 간섭 신호의 세기를 감소시켜서 시스템 성능을 향상시키는 효과를 가질 수 있다.
추가적으로 또는 대안적으로, 단말에 의해서 측정된 채널을 기반으로 AI/ML 모델 훈련을 수행하여, 이를 기반으로 PMI/CQI를 유도할 수도 있다. 이와 같이 AI/ML 모델을 통해 유도되는 PMI에 해당하는 프리코딩 행렬을 제 2 프리코딩 행렬로 결정할 수 있다.
추가적으로 또는 대안적으로, 지도 학습(supervised learning) 방식과 같이, AI/ML 모델에 대한 입력을 PMI 및/또는 무선 채널 정보(예를 들어, 채널 지연, 지연 프로파일 피크, 등)으로 구성하고, AI/ML 모델의 출력을 추정된 채널 및/또는 추정된 채널과의 유사도(similarity)로 구성할 수도 있다. 이와 같이 추정된 채널에 대한 정보 및/또는 추정된 채널과의 유사도에 대한 정보를 제 2 프리코딩 행렬에 기반하는 CQI로서 기지국으로 보고할 수도 있다. 또는 이와 같이 추정된 채널에 대한 정보 및/또는 추정된 채널과의 유사도에 대한 정보를, 제 2 프리코딩 행렬에 기반하는 CQI와 별도의 AI/ML 기반 CSI로서 기지국으로 보고할 수도 있다.
실시예 2
본 실시예는 제 2 프리코딩 행렬을 유도하기 위한 AI/ML 모델 관련 정보를 기지국과 단말이 공유하는 방안에 대한 것이다. AI/ML 모델 관련 정보는, 전술한 바와 같이, AI/ML 모델 설정 정보 및/또는 AI/ML 모델 파라미터를 포함할 수 있다.
예를 들어, AI/ML 모델 관련 정보는 합성곱 층(convolution layer)의 개수, 은닉 층(hidden layer)의 개수, 패딩(padding) 여부, 패딩 값, 패딩 크기, 풀링(pooling) 여부, 또는 풀링 종류 중의 하나 이상을 포함할 수 있다. 여기서, 합성곱 층의 개수에는 입력 층 및/또는 출력 층도 포함하여 정의될 수도 있다. 패딩 여부/패딩 값/패딩 크기/풀링 여부/풀링 종류 등은, 전체 층, 각 층, 및/또는 특정 층을 대상으로 각각 설정/지시/정의/보고될 수 있다.
추가적으로 또는 대안적으로, AI/ML 모델 관련 정보는, 커널의 개수, 커널의 크기(예를 들어, 1D 및/또는 2D), 각 층/커널의 활성화 함수, 각 층/커널의 스트라이드 값, 커널의 가중치 값들, 가중치 값의 조합, 또는 각 층/커널의 편향 값 중의 하나 이상을 포함할 수 있다. 여기서, 커널/가중치에 대한 변수들은, 전체 층, 각 층, 전체 커널, 특정 층, 각 커널, 및/또는 특정 커널을 대상으로 각각 설정/지시/정의/보고될 수 있다.
추가적으로 또는 대안적으로, AI/ML 모델 관련 정보는, 손실 함수 종류, 또는 옵티마이저 종류 중의 하나 이상을 포함할 수 있다.
전술한 AI/ML 모델 관련 정보의 예시들 중에서, 일부의 정보, 일부 정보의 조합, 및/또는 전체 정보가 보고/설정/지시/정의될 수 있다.
전술한 예시들에서 기지국이 기지국의 AI/ML 모델 관련 정보(또는 기지국이 가정하는 AI/ML 모델 관련 정보, 또는 단말이 가정하는 AI/ML 모델 관련 정보)를 단말에게 설정/지시하는 경우에, L1 시그널링(예를 들어, DCI/UCI), L2 시그널링(예를 들어, MAC CE), 또는 RRC 시그널링을 통하여 설정/지시될 수도 있다.
전술한 예시들에서 단말이 단말의 AI/ML 모델 관련 정보(또는 단말이 가정하는 AI/ML 모델 관련 정보)를 기지국으로 보고하는 경우에, 단말 캐퍼빌리티 정보, 또는 CSI 보고 중의 하나 이상의 방식으로(또는 그와 함께) 보고될 수 있다.
전술한 예시들에서 단말이 AI/ML 모델 관련 정보를 유도하기 위한 알려진 데이터(예를 들어, 알려신 신호/시퀀스 등)가 기지국으로부터 단말로 송신될 수 있다. 예를 들어, 단말은 알려진 데이터 기반으로 AI/ML 모델에 대한 훈련을 수행할 수도 있다.
전술한 예시들에서, AI/ML 모델 관련 정보를 정의하기 위하여, 하나 이상의 AI/ML 알고리즘/모델/모듈에 대한 타입이 정의되고, 특정 타입에 대한 정보가 단말에게 설정/지시되거나, 및/또는 기지국으로 보고될 수 있다.
전술한 예시들에서 AI/ML 모델 관련 정보는, AI/ML-개선된 CSI 피드백을 수행하기 위한 일 예시에 해당하고, 본 개시의 범위를 제한하는 것은 아니다. 따라서, 전술한 예시들과 다른 AI/ML 모델 관련 정보에 기반하여 AI/ML-개선된 CSI 피드백을 수행하는 방안들도 본 개시의 범위에 포함될 수 있다.
실시예 3
본 실시예는, 제 1 프리코딩 행렬 및 제 1 프리코딩 행렬에 기반하여 유도되는 제 1 CQI, 및 제 2 프리코딩 행렬 및 제 2 프리코딩 행렬에 기반하여 유도되는 제 2 CQI에 대해서, 어떤 CQI를 보고해야 하는지(즉, 보고 퀀티티를) 단말에게 설정/지시하는 방안에 대한 것이다.
예를 들어, 제 1 프리코딩 행렬에 대한 PMI, 제 1 CQI, 및 제 2 CQI가 모두 보고될 수 있다.
추가적으로 또는 대안적으로, 제 1 프리코딩 행렬에 대한 PMI 프리코딩 행렬 인덱스(PMI) 및 제 2 CQI가 보고될 수 있다.
추가적으로 또는 대안적으로, 제 2 CQI가 PMI 등의 CSI 보고 시 함께 보고되거나, PMI 등의 CSI 보고와는 별도로(예를 들어, 독립적인 시점에서) 보고될 수도 있다.
추가적으로 또는 대안적으로, 단말이 AI/ML 모델 관련 정보를 기지국으로 보고할 때 제 2 CQI가 함께 보고될 수 있다.
추가적으로 또는 대안적으로, 제 1 CQI와 제 2 CQI에 대해서 서로 다른 보고 대역 크기(예를 들어, 서브밴드 크기)가 설정/지시될 수 있다.
추가적으로 또는 대안적으로, 제 2 CQI는 SNR, SINR, CQI, 또는 MCS 중의 하나 이상에 대한 차이 값(예를 들어, 제 1 CQI를 레퍼런스로 하는 차이 값) 등으로 보고될 수도 있다.
전술한 예시들에서, 제 1 CQI가 보고되는 경우, 제 2 CQI는 제 1 CQI를 레퍼런스로 하는 차이(differential) 값으로서 보고될 수도 있다. 예를 들어, 제 1 CQI가 제 2 CQI와 동시에 또는 하나의 CSI 보고 절차 내에서 보고될 수도 있고, 제 1 CQI는 제 2 CQI 보고 전에 가장 최근에 보고된 CQI에 해당할 수도 있다.
전술한 예시들에서, 보고되는 CSI(즉, 보고 퀀터티)는 L1 시그널링(예를 들어, DCI/UCI), L2 시그널링(예를 들어, MAC CE), 또는 RRC 시그널링을 통하여 단말에게 설정/지시될 수도 있다.
추가적으로 또는 대안적으로, 단말이 비-AI/ML 기반의 제 1 CQI를 보고할지 AI/ML 기반 제 2 CQI를 보고할지 선택할 수도 있다. 예를 들어, 단말은 AI/ML 모델 상태(예를 들어, AI/ML 모델의 업데이트 여부)에 기초하여, 개선된 코드북-기반 CSI를 보고할 지 여부를 결정할 수 있다. 또한, 단말은 어떤 CQI를 보고하는지(또는 개선된 코드북-기반 CSI를 보고하는지) 여부에 대한 정보(예를 들어, 선택 정보)를, 기지국으로 보고할 수도 있다. 예를 들어, 선택 정보는, CSI 보고가 복수의 파트를 포함하는 경우, 제 1 파트에 포함될 수도 있다.
실시예 4
본 실시예는 단말이 AI/ML 모델 관련 정보에 대한 업데이트 요청을 기지국으로 보고하는 방안에 대한 것이다.
예를 들어. 단말은 제 2 CQI으로서 미리 정해진 특정 값(예를 들어, 최소 값, 최대 값 등)을 보고하는 경우, 기지국은 AI/ML 모델 관련 정보(예를 들어, AI/ML 모델 설정 값 및/또는 AI/ML 모델 파라미터)에 대해서 업데이트가 필요하다는 것으로 해석할 수 있다.
추가적으로 또는 대안적으로, 제 2 CQI 및 다른 CSI(예를 들어, CRI/RI/PMI 등)의 조합이 특정 값을 가지는 경우, AI/ML 모델 관련 정보에 대한 업데이트 요청에 해당할 수 있다.
추가적으로 또는 대안적으로, 제 2 CQI(및 다른 CSI와의 조합)이 특정 값을 가지는 경우, 새로운 훈련 신호의 송신에 대한 요청에 해당할 수도 있다. 기지국은 이에 따라 새로운 훈련 신호를 단말에게 제공할 수도 있다.
실시예 5
본 실시예는 개선된 코드북-기반 CSI(예를 들어, 제 2 CQI)의 보고 여부를 네트워크가 단말에게 설정/지시하는 방안에 대한 것이다.
예를 들어, 단말로부터의 AI/ML 모델 관련 정보에 대한 업데이트 요청에 해당하는 보고 정보를 수신하는 경우, 기지국은 단말에게 개선된 코드북-기반 CSI(예를 들어, 제 2 CQI)의 보고를 수행하지 않도록(즉, off로) 설정할 수 있다.
전술한 예시들에서, 개선된 코드북-기반 CSI의 보고 여부는, L1 시그널링(예를 들어, DCI/UCI), L2 시그널링(예를 들어, MAC CE), 또는 RRC 시그널링을 통하여 단말에게 설정/지시될 수도 있다.
전술한 예시들에 기초하여, 개선된 코드북-기반 CSI(예를 들어, 코드북-기반 제 1 프리코딩 행렬 및 AI/ML 모델 관련 정보에 기반하여 산출되는 제 2 프리코딩 행렬, 및 제 2 프리코딩 행렬에 기반하여 산출되는 제 2 CQI)는 기지국과 단말의 AI/ML 모델 설정 값 및 AI/ML 모델 파라미터가 얼마나 잘 구성(또는 업데이트)되어 있는지에 따라 보고의 필요성이 달라질 수 있다.
예를 들어, 단말이 충분한 훈련을 통해서 정확한 AI/ML 모델 설정 값 및 AI/ML 모델 파라미터를 획득했고, 제 2 CQI를 기지국으로 보고하여 기지국과 단말이 정확한 AI/ML 모델 설정 값 및 AI/ML 모델 파라미터에 기반하여 제 2 CQI로부터 제 2 프리코딩 행렬을 유도할 수 있는 경우, 제 2 프리코딩 행렬 및 제 2 CQI에 기반하여 단말에게 보다 적합한 스케줄링 및 데이터 전송을 수행할 수 있다.
기지국과 단말 사이의 무선 채널 환경이 달라지는 등의 요인에 의해서 AI/ML 모델 설정 값 및 AI/ML 모델 파라미터가 달라진 채널 환경에 적합하지 않는 경우, 개선된 코드북-기반의 제 2 프리코딩 행렬 및 제 2 CQI는 무선 통신 시스템의 성능 향상에 기여하지 못할 수 있다. 이러한 경우, 정확한 AI/ML 모델 설정 값 및 AI/ML 모델 파라미터로 업데이트하기 전까지, 기지국은 코드북-기반의 제 1 프리코딩 행렬 및 제 1 CQI에 기반하여 스케줄링 및 데이터 전송을 수행하는 것이 바람직할 수 있다. 이 경우, 단말이 기지국으로 제 2 CQI를 보고하도록 설정되어 있다면 제 2 CQI를 도출하기 위한 단말 프로세싱 부담 및 CSI 오버헤드를 증가시키게 되어 시스템 효율을 떨어뜨리게 될 수 있다. 따라서, 이러한 상황을 방지하기 위하여 (AI/ML 모델 관련 정보의 업데이트 상태에 기초하여) 제 2 CQI의 보고 여부가 단말에게 동적으로 설정/지시될 수도 있다.
본 개시가 적용될 수 있는 장치 일반
도 21은 본 개시의 일 실시예에 따른 무선 통신 장치의 블록 구성도를 예시한다.
도 21을 참조하면, 제1 무선 기기(100)와 제2 무선 기기(200)는 다양한 무선 접속 기술(예를 들어, LTE, NR)을 통해 무선 신호를 송수신할 수 있다.
제1 무선 기기(100)는 하나 이상의 프로세서(102) 및 하나 이상의 메모리(104)를 포함하며, 추가적으로 하나 이상의 송수신기(106) 및/또는 하나 이상의 안테나(108)을 더 포함할 수 있다. 프로세서(102)는 메모리(104) 및/또는 송수신기(106)를 제어하며, 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(102)는 메모리(104) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(106)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(102)는 송수신기(106)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(104)에 저장할 수 있다. 메모리(104)는 프로세서(102)와 연결될 수 있고, 프로세서(102)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(104)는 프로세서(102)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(102)와 메모리(104)는 무선 통신 기술(예를 들어, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(106)는 프로세서(102)와 연결될 수 있고, 하나 이상의 안테나(108)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(106)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(106)는 RF(Radio Frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200)는 하나 이상의 프로세서(202), 하나 이상의 메모리(204)를 포함하며, 추가적으로 하나 이상의 송수신기(206) 및/또는 하나 이상의 안테나(208)를 더 포함할 수 있다. 프로세서(202)는 메모리(204) 및/또는 송수신기(206)를 제어하며, 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202)는 메모리(204) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202)는 송수신기(206)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204)에 저장할 수 있다. 메모리(204)는 프로세서(202)와 연결될 수 있고, 프로세서(202)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204)는 프로세서(202)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202)와 메모리(204)는 무선 통신 기술(예를 들어, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206)는 프로세서(202)와 연결될 수 있고, 하나 이상의 안테나(208)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 기기(100, 200)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(102, 202)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(102, 202)는 하나 이상의 계층(예를 들어, PHY, MAC, RLC, PDCP, RRC, SDAP와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(102, 202)는 본 개시에 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(102, 202)는 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(102, 202)는 본 개시에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예를 들어, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(106, 206)에게 제공할 수 있다. 하나 이상의 프로세서(102, 202)는 하나 이상의 송수신기(106, 206)로부터 신호(예를 들어, 베이스밴드 신호)를 수신할 수 있고, 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
하나 이상의 프로세서(102, 202)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(102, 202)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(102, 202)에 포함될 수 있다. 본 개시에 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 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(102, 202)에 포함되거나, 하나 이상의 메모리(104, 204)에 저장되어 하나 이상의 프로세서(102, 202)에 의해 구동될 수 있다. 본 개시에 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(104, 204)는 하나 이상의 프로세서(102, 202)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(104, 204)는 ROM, RAM, EPROM, 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(104, 204)는 하나 이상의 프로세서(102, 202)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(104, 204)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(102, 202)와 연결될 수 있다.
하나 이상의 송수신기(106, 206)는 하나 이상의 다른 장치에게 본 개시의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(106, 206)는 하나 이상의 다른 장치로부터 본 개시에 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(106, 206)는 하나 이상의 프로세서(102, 202)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(102, 202)는 하나 이상의 송수신기(106, 206)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(102, 202)는 하나 이상의 송수신기(106, 206)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(106, 206)는 하나 이상의 안테나(108, 208)와 연결될 수 있고, 하나 이상의 송수신기(106, 206)는 하나 이상의 안테나(108, 208)를 통해 본 개시에 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 개시에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예를 들어, 안테나 포트)일 수 있다. 하나 이상의 송수신기(106, 206)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(102, 202)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(106, 206)는 하나 이상의 프로세서(102, 202)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(106, 206)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
이상에서 설명된 실시예들은 본 개시의 구성요소들과 특징들이 소정 형태로 결합된 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려되어야 한다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시예를 구성하는 것도 가능하다. 본 개시의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다. 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함시킬 수 있음은 자명하다.
본 개시는 본 개시의 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상술한 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 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.
본 개시의 범위는 다양한 실시예의 방법에 따른 동작이 장치 또는 컴퓨터 상에서 실행되도록 하는 소프트웨어 또는 머신-실행가능한 명령들(예를 들어, 운영체제, 애플리케이션, 펌웨어(firmware), 프로그램 등), 및 이러한 소프트웨어 또는 명령 등이 저장되어 장치 또는 컴퓨터 상에서 실행 가능한 비-일시적 컴퓨터-판독가능 매체(non-transitory computer-readable medium)를 포함한다. 본 개시에서 설명하는 특징을 수행하는 프로세싱 시스템을 프로그래밍하기 위해 사용될 수 있는 명령은 저장 매체 또는 컴퓨터 판독가능 저장 매체 상에/내에 저장될 수 있고, 이러한 저장 매체를 포함하는 컴퓨터 프로그램 제품을 이용하여 본 개시에서 설명하는 특징이 구현될 수 있다. 저장 매체는 DRAM, SRAM, DDR RAM 또는 다른 랜덤 액세스 솔리드 스테이트 메모리 디바이스와 같은 고속 랜덤 액세스 메모리를 포함할 수 있지만, 이에 제한되지 않으며, 하나 이상의 자기 디스크 저장 디바이스, 광 디스크 저장 장치, 플래시 메모리 디바이스 또는 다른 비-휘발성 솔리드 스테이트 저장 디바이스와 같은 비-휘발성 메모리를 포함할 수 있다. 메모리는 선택적으로 프로세서(들)로부터 원격에 위치한 하나 이상의 저장 디바이스를 포함한다. 메모리 또는 대안적으로 메모리 내의 비-휘발성 메모리 디바이스(들)는 비-일시적 컴퓨터 판독가능 저장 매체를 포함한다. 본 개시에서 설명하는 특징은, 머신 판독가능 매체 중 임의의 하나에 저장되어 프로세싱 시스템의 하드웨어를 제어할 수 있고, 프로세싱 시스템이 본 개시의 실시예에 따른 결과를 활용하는 다른 메커니즘과 상호작용하도록 하는 소프트웨어 및/또는 펌웨어에 통합될 수 있다. 이러한 소프트웨어 또는 펌웨어는 애플리케이션 코드, 디바이스 드라이버, 운영 체제 및 실행 환경/컨테이너를 포함할 수 있지만 이에 제한되지 않는다.
여기서, 본 개시의 무선 기기(100, 200)에서 구현되는 무선 통신 기술은 LTE, NR 및 6G뿐만 아니라 저전력 통신을 위한 Narrowband Internet of Things를 포함할 수 있다. 이때, 예를 들어 NB-IoT 기술은 LPWAN(Low Power Wide Area Network) 기술의 일례일 수 있고, LTE Cat NB1 및/또는 LTE Cat NB2 등의 규격으로 구현될 수 있으며, 상술한 명칭에 한정되는 것은 아니다. 추가적으로 또는 대체적으로, 본 개시의 무선 기기(100, 200)에서 구현되는 무선 통신 기술은 LTE-M 기술을 기반으로 통신을 수행할 수 있다. 이때, 일 예로, LTE-M 기술은 LPWAN 기술의 일례일 수 있고, eMTC(enhanced Machine Type Communication) 등의 다양한 명칭으로 불릴 수 있다. 예를 들어, LTE-M 기술은 1) LTE CAT 0, 2) LTE Cat M1, 3) LTE Cat M2, 4) LTE non-BL(non-Bandwidth Limited), 5) LTE-MTC, 6) LTE Machine Type Communication, 및/또는 7) LTE M 등의 다양한 규격 중 적어도 어느 하나로 구현될 수 있으며 상술한 명칭에 한정되는 것은 아니다. 추가적으로 또는 대체적으로, 본 개시의 무선 기기(100, 200)에서 구현되는 무선 통신 기술은 저전력 통신을 고려한 지그비(ZigBee), 블루투스(Bluetooth) 및 저전력 광역 통신망(Low Power Wide Area Network, LPWAN) 중 적어도 어느 하나를 포함할 수 있으며, 상술한 명칭에 한정되는 것은 아니다. 일 예로 ZigBee 기술은 IEEE 802.15.4 등의 다양한 규격을 기반으로 소형/저-파워 디지털 통신에 관련된 PAN(personal area networks)을 생성할 수 있으며, 다양한 명칭으로 불릴 수 있다.
본 개시에서 제안하는 방법은 3GPP LTE/LTE-A, 5G 시스템에 적용되는 예를 중심으로 설명하였으나, 3GPP LTE/LTE-A, 5G 시스템 이외에도 다양한 무선 통신 시스템에 적용하는 것이 가능하다.

Claims (19)

  1. 무선 통신 시스템에서 단말에 의해 수행되는 방법에 있어서, 상기 방법은:
    하나 이상의 채널 상태 정보(CSI)-참조 신호(RS)를 네트워크로부터 수신하는 단계; 및
    상기 하나 이상의 CSI-RS에 기초하는, 제 1 프리코딩 행렬을 지시하는 정보, 및 제 2 프리코딩 행렬에 기반하는 CQI(channel quality indicator)를 포함하는 하나 이상의 CSI 보고를 상기 네트워크에게 송신하는 단계를 포함하고,
    상기 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 기반하여 정의되는 프리코딩 행렬 세트에 포함되고,
    상기 제 2 프리코딩 행렬은, 상기 제 1 프리코딩 행렬 및 하나 이상의 인공 지능(AI)/머신 러닝(ML) 모델 관련 정보에 기반하여 결정되는, 방법.
  2. 제 1 항에 있어서,
    상기 제 2 프리코딩 행렬은:
    상기 제 1 프리코딩 행렬에 비하여 상대적으로 더 정밀한 단위크기(finer granularity)에 대응하는 프리코딩 행렬;
    상기 제 1 프리코딩 행렬을 지시하는 정보의 보고 시점 후의 채널 상태에 대응하는 프리코딩 행렬;
    상기 하나 이상의 CSI-RS에 기반하여 추정되는 채널 상태에 대해서, 상기 제 1 프리코딩 행렬에 비하여 상대적으로 더 근접한 프리코딩 행렬;
    상기 하나 이상의 CSI-RS에 기반하여 추정되는 채널 상태에 기반하여 훈련된 AI/ML 모델에 기반하여 유도되는 프리코딩 행렬;
    상기 하나 이상의 CSI-RS에 기반하여 추정되는 채널에 대한 정보; 또는
    상기 하나 이상의 CSI-RS에 기반하여 추정되는 채널과의 유사도(similarity)에 대한 정보
    중의 하나 이상에 기반하여 결정되는, 방법.
  3. 제 1 항에 있어서,
    상기 하나 이상의 AI/ML 모델 관련 정보는, 상기 네트워크와 상기 단말 간에 미리 공유되고,
    상기 하나 이상의 AI/ML 모델 관련 정보는, 상기 네트워크의 AI/ML 모델 관련 정보 또는 상기 단말의 AI/ML 모델 관련 정보 중의 하나 이상을 포함하는, 방법.
  4. 제 1 항에 있어서,
    상기 하나 이상의 AI/ML 모델 관련 정보는:
    하나 이상의 AI/ML 모델 설정 정보;
    하나 이상의 AI/ML 모델 파라미터;
    상기 하나 이상의 AI/ML 모델 설정 정보 또는 상기 하나 이상의 AI/ML 모델 파라미터 중의 하나 이상의 유도에 이용되는 데이터; 또는
    하나 이상의 AI/ML 모델 타입 정보
    중의 하나 이상을 포함하는, 방법.
  5. 제 1 항에 있어서,
    상기 네트워크로부터 상기 단말에게 상기 하나 이상의 CSI 보고에 포함될 보고 퀀티티(report quantity)가 설정 또는 지시되는, 방법.
  6. 제 1 항에 있어서,
    상기 하나 이상의 CSI 보고는:
    상기 제 1 프리코딩 행렬을 지시하는 제 1 프리코딩 행렬 인덱스(PMI), 상기 제 1 프리코딩 행렬에 기반하는 제 1 CQI, 및 상기 제 2 프리코딩 행렬에 기반하는 CQI에 대응하는 제 2 CQI를 포함하는 하나의 CSI 보고;
    상기 제 1 PMI 및 상기 제 2 CQI를 포함하는 하나의 CSI 보고; 또는
    상기 제 1 PMI를 포함하는 제 1 CSI 보고, 및 상기 제 2 CQI를 포함하는 제 2 CSI 보고;
    를 포함하는, 방법.
  7. 제 6 항에 있어서,
    상기 제 2 CQI는 상기 제 1 CQI에 대한 차이(differential) 값에 해당하고,
    상기 차이 값은 CQI, SNR(signal to noise ratio), SINR(signal to interference and noise ratio), 또는 MCS(modulation and coding scheme) 중의 하나 이상에 대한 차이 값을 포함하는, 방법.
  8. 제 6 항에 있어서,
    상기 제 1 CQI가 기반하는 주파수 대역 크기와 상기 제 2 CQI가 기반하는 주파수 대역 크기는 상이하게 설정 또는 지시되는, 방법.
  9. 제 1 항에 있어서,
    상기 제 2 프리코딩 행렬에 기반한 CQI는 상기 단말의 AI/ML 모델 관련 정보와 함께 상기 네트워크에게 송신되는, 방법.
  10. 제 1 항에 있어서,
    상기 제 1 프리코딩 행렬에 기반하는 제 1 CQI, 또는 상기 제 2 프리코딩 행렬에 기반하는 CQI에 대응하는 제 2 CQI 중 하나 이상을 포함함을 지시하는 정보가, 상기 하나 이상의 CSI 보고에 포함되는, 방법.
  11. 제 1 항에 있어서,
    상기 AI/ML 모델 관련 정보의 업데이트 요청 정보가 상기 단말로부터 상기 네트워크에게 송신되는, 방법.
  12. 제 11 항에 있어서,
    상기 제 2 프리코딩 행렬에 기반하는 CQI, 또는 다른 하나 이상의 CSI 보고 퀀티티 중의 하나 이상이 특정 값을 가짐에 기초하여, 상기 AI/ML 모델 관련 정보의 업데이트 요청이 지시되는, 방법.
  13. 제 11 항에 있어서,
    상기 AI/ML 모델 관련 정보의 업데이트 요청 정보는 새로운 훈련 신호 송신 요청에 대응하는, 방법.
  14. 제 11 항에 있어서,
    상기 AI/ML 모델 관련 정보의 업데이트 요청에 응답하여, 상기 단말로부터의 상기 제 2 프리코딩 행렬에 기반하는 CQI의 보고 여부가 상기 네트워크에 의해서 설정 또는 지시되는, 방법.
  15. 무선 통신 시스템에서의 단말에 있어서, 상기 단말은:
    하나 이상의 송수신기(transceiver); 및
    상기 하나 이상의 송수신기와 연결된 하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는:
    하나 이상의 채널 상태 정보(CSI)-참조 신호(RS)를 네트워크로부터 상기 하나 이상의 송수신기를 통하여 수신하고; 및
    상기 하나 이상의 CSI-RS에 기초하는, 제 1 프리코딩 행렬을 지시하는 정보, 및 제 2 프리코딩 행렬에 기반하는 CQI(channel quality indicator)를 포함하는 하나 이상의 CSI 보고를 상기 네트워크에게 상기 하나 이상의 송수신기를 통하여 송신하도록 설정되고,
    상기 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 기반하여 정의되는 프리코딩 행렬 세트에 포함되고,
    상기 제 2 프리코딩 행렬은, 상기 제 1 프리코딩 행렬 및 하나 이상의 인공 지능(AI)/머신 러닝(ML) 모델 관련 정보에 기반하여 결정되는, 단말.
  16. 무선 통신 시스템에서 기지국에 의해서 수행되는 방법에 있어서, 상기 방법은:
    하나 이상의 채널 상태 정보(CSI)-참조 신호(RS)를 단말에게 송신하는 단계; 및
    상기 하나 이상의 CSI-RS에 기초하는, 제 1 프리코딩 행렬을 지시하는 정보, 및 제 2 프리코딩 행렬에 기반하는 CQI(channel quality indicator)를 포함하는 하나 이상의 CSI 보고를 상기 단말로부터 수신하는 단계를 포함하고,
    상기 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 기반하여 정의되는 프리코딩 행렬 세트에 포함되고,
    상기 제 2 프리코딩 행렬은, 상기 제 1 프리코딩 행렬 및 하나 이상의 인공 지능(AI)/머신 러닝(ML) 모델 관련 정보에 기반하여 결정되는, 방법.
  17. 무선 통신 시스템에서의 기지국에 있어서, 상기 기지국은:
    하나 이상의 송수신기; 및
    상기 하나 이상의 송수신기와 연결된 하나 이상의 프로세서를 포함하고,
    상기 하나 이상의 프로세서는:
    하나 이상의 채널 상태 정보(CSI)-참조 신호(RS)를 단말에게 상기 하나 이상의 송수신기를 통하여 송신하고; 및
    상기 하나 이상의 CSI-RS에 기초하는, 제 1 프리코딩 행렬을 지시하는 정보, 및 제 2 프리코딩 행렬에 기반하는 CQI(channel quality indicator)를 포함하는 하나 이상의 CSI 보고를 상기 단말로부터 상기 하나 이상의 송수신기를 통하여 수신하도록 설정되고,
    상기 제 1 프리코딩 행렬은 하나 이상의 미리 정해진 코드북에 기반하여 정의되는 프리코딩 행렬 세트에 포함되고,
    상기 제 2 프리코딩 행렬은, 상기 제 1 프리코딩 행렬 및 하나 이상의 인공 지능(AI)/머신 러닝(ML) 모델 관련 정보에 기반하여 결정되는, 기지국.
  18. 무선 통신 시스템에서 단말을 제어하도록 설정되는 프로세싱 장치에 있어서, 상기 프로세싱 장치는:
    하나 이상의 프로세서; 및
    상기 하나 이상의 프로세서에 동작 가능하게 연결되고, 상기 하나 이상의 프로세서에 의해 실행됨에 기반하여, 제 1 항 내지 제 14 항 중 어느 한 항에 따른 방법을 수행하기 위한 명령들을 저장하는 하나 이상의 컴퓨터 메모리를 포함하는, 프로세싱 장치.
  19. 하나 이상의 명령을 저장하는 하나 이상의 비-일시적(non-transitory) 컴퓨터 판독가능 매체로서,
    상기 하나 이상의 명령은 하나 이상의 프로세서에 의해서 실행되어, 무선 통신 시스템에서 장치가, 제 1 항 내지 제 14 항 중 어느 한 항에 따른 방법을 수행하도록 제어하는, 컴퓨터 판독가능 매체.
PCT/KR2023/004062 2022-03-28 2023-03-28 무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보 송신 또는 수신 방법 및 장치 WO2023191431A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220037808 2022-03-28
KR10-2022-0037808 2022-03-28

Publications (1)

Publication Number Publication Date
WO2023191431A1 true WO2023191431A1 (ko) 2023-10-05

Family

ID=88202786

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/004062 WO2023191431A1 (ko) 2022-03-28 2023-03-28 무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보 송신 또는 수신 방법 및 장치

Country Status (1)

Country Link
WO (1) WO2023191431A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020025109A1 (en) * 2018-07-31 2020-02-06 Huawei Technologies Co., Ltd. Differential cqi value reporting procedure
WO2020252613A1 (en) * 2019-06-17 2020-12-24 Qualcomm Incorporated System and method that facilitates enhancing channel quality indicator (cqi) feedback
WO2021108940A1 (en) * 2019-12-01 2021-06-10 Nokia Shanghai Bell Co., Ltd. Channel state information feedback
US20210273709A1 (en) * 2018-06-25 2021-09-02 Zte Corporation Information feedback method and device, storage medium, and electronic device
US20210351885A1 (en) * 2019-04-16 2021-11-11 Samsung Electronics Co., Ltd. Method and apparatus for reporting channel state information

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210273709A1 (en) * 2018-06-25 2021-09-02 Zte Corporation Information feedback method and device, storage medium, and electronic device
WO2020025109A1 (en) * 2018-07-31 2020-02-06 Huawei Technologies Co., Ltd. Differential cqi value reporting procedure
US20210351885A1 (en) * 2019-04-16 2021-11-11 Samsung Electronics Co., Ltd. Method and apparatus for reporting channel state information
WO2020252613A1 (en) * 2019-06-17 2020-12-24 Qualcomm Incorporated System and method that facilitates enhancing channel quality indicator (cqi) feedback
WO2021108940A1 (en) * 2019-12-01 2021-06-10 Nokia Shanghai Bell Co., Ltd. Channel state information feedback

Similar Documents

Publication Publication Date Title
WO2021162517A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2021162522A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2020027615A1 (en) Method and communication device for performing measurement
WO2019235906A1 (ko) 무선 통신 시스템에서 참조 신호 패턴을 적응적으로 설정하는 방법 및 이를 위한 장치
WO2016021880A1 (ko) 무선 통신 시스템에서 comp 동작을 위한 시그널링 방법 및 이를 위한 장치
WO2022025519A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2022030819A1 (ko) 무선 통신 시스템에서 상향링크 송수신 방법 및 장치
WO2022030849A1 (ko) 무선 통신 시스템에서 상향링크 송수신 방법 및 장치
WO2021235572A1 (ko) 온-디바이스 학습 기반 기계 학습 네트워크를 이용한 무선 통신 방법
WO2022169181A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023287086A1 (ko) 무선 통신 시스템에서 빔 정보를 송수신하는 방법 및 이를 위한 장치
WO2023191431A1 (ko) 무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보 송신 또는 수신 방법 및 장치
WO2022197081A1 (ko) 무선 통신 시스템에서 상향링크 송수신 방법 및 장치
WO2023003295A1 (ko) 무선 통신 시스템에서 채널 상태 정보의 송수신을 수행하는 방법 및 장치
WO2024071817A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023211134A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023243958A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023163474A1 (ko) 무선 통신 시스템에서 양자화 기반 채널 상태 정보 송신 또는 수신 방법 및 장치
WO2022071763A1 (ko) 무선 통신 시스템에서 상향링크 송수신 방법 및 장치
WO2023287095A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023211145A1 (ko) 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치
WO2023211135A1 (ko) 무선 통신 시스템에서 상향링크 송수신 방법 및 장치
WO2023136554A1 (ko) 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치
WO2022031077A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2022265141A1 (ko) 무선 통신 시스템에서 빔 관리를 수행하는 방법 및 이를 위한 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: 23781286

Country of ref document: EP

Kind code of ref document: A1