WO2023211152A1 - 무선 통신 시스템에서 ai/ml 기반 빔 관리를 수행하기 위한 장치 및 방법 - Google Patents

무선 통신 시스템에서 ai/ml 기반 빔 관리를 수행하기 위한 장치 및 방법 Download PDF

Info

Publication number
WO2023211152A1
WO2023211152A1 PCT/KR2023/005695 KR2023005695W WO2023211152A1 WO 2023211152 A1 WO2023211152 A1 WO 2023211152A1 KR 2023005695 W KR2023005695 W KR 2023005695W WO 2023211152 A1 WO2023211152 A1 WO 2023211152A1
Authority
WO
WIPO (PCT)
Prior art keywords
cris
ssbris
rsrp
sinr
base station
Prior art date
Application number
PCT/KR2023/005695
Other languages
English (en)
French (fr)
Inventor
고성원
강지원
박해욱
이영대
김기준
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 WO2023211152A1 publication Critical patent/WO2023211152A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • 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
    • H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
    • 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
    • H04B7/0417—Feedback systems
    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports

Definitions

  • This disclosure relates to an apparatus and method for performing artificial intelligence/machine learning (AI/ML)-based beam management in a wireless communication system.
  • AI/ML artificial intelligence/machine learning
  • the present disclosure provides a method for a terminal to report information that can be mainly used as input parameters of base station AI/ML in AI/ML-based beam management in a wireless communication system and performs beam reporting through terminal AI/ML. It relates to a device and method for doing so.
  • AI/ML-based operations between base station terminals can be simply divided into base station AI/ML, terminal AI/ML, and joint AI/ML operations between base station terminals.
  • the present disclosure provides an apparatus and method for performing AI/ML (artificial intelligence/machine learning)-based beam management in a wireless communication system.
  • AI/ML artificial intelligence/machine learning
  • the present disclosure provides a method for a terminal to report information that can be mainly used as input parameters of base station AI/ML in AI/ML-based beam management in a wireless communication system and a device for performing beam reporting through terminal AI/ML. and methods are provided.
  • a CSI resource configuration channel state information resource configuration
  • CSI channel state information resource configuration
  • SSBRIs first synchronization signal block resource indicators
  • RSRP received signal received power
  • SINR signal to interference power
  • a CSI resource configuration channel state information resource configuration
  • CSI channel state information resource configuration
  • CSI-RS channel state information resource indicators
  • first SSBRIs synchronization signal block resource indicators
  • the first CRIs or the first SSBRI from the terminal
  • RSRP received signal received power
  • SINR signal to interference power
  • a predetermined number of CRIs or SSBRIs selected based on a value, wherein the report message is the absolute value of the RSRP or SINR associated with the second CRIs or second SSBRI, and the second CRIs or second SSBRI.
  • a method is provided to include the differential value of the RSRP or SINR in relation to
  • a transceiver in a terminal in a wireless communication system, a transceiver, at least one processor, and operably connectable to the at least one processor, perform operations when executed by the at least one processor.
  • a terminal is provided that includes at least one memory that stores instructions, and the operations include all steps of a method of operating a terminal according to various embodiments of the present disclosure.
  • a transceiver in a base station in a wireless communication system, there is provided a transceiver, at least one processor, and operably connectable to the at least one processor, and when executed by the at least one processor, perform operations.
  • a base station is provided that includes at least one memory that stores instructions, and the operations include all steps of a method of operating a base station according to various embodiments of the present disclosure.
  • a control device for controlling a terminal in a wireless communication system includes at least one processor and at least one memory operably connected to the at least one processor, and the at least one The memories store instructions for performing operations based on execution by the at least one processor, and the operations include all steps of the operation method of the terminal according to various embodiments of the present disclosure.
  • a control device is provided.
  • a control device for controlling a base station in a wireless communication system includes at least one processor and at least one memory operably connected to the at least one processor, and the at least one The memories store instructions for performing operations based on execution by the at least one processor, and the operations include all steps of the method of operating a base station according to various embodiments of the present disclosure.
  • a control device is provided.
  • non-transitory computer-readable media storing one or more instructions
  • the one or more instructions based on execution by one or more processors, perform operations.
  • a computer-readable medium is provided that performs the operations and includes all steps of a method of operating a terminal according to various embodiments of the present disclosure.
  • non-transitory computer-readable media storing one or more instructions
  • the one or more instructions based on execution by one or more processors, perform operations.
  • a computer-readable medium is provided that performs the operations, including all steps of a method of operating a base station according to various embodiments of the present disclosure.
  • the present disclosure can provide an apparatus and method for performing artificial intelligence/machine learning (AI/ML)-based beam management in a wireless communication system.
  • AI/ML artificial intelligence/machine learning
  • the present disclosure provides a method for a terminal to report information that can be mainly used as input parameters of base station AI/ML in AI/ML-based beam management in a wireless communication system and a device for performing beam reporting through terminal AI/ML. and methods may be provided.
  • FIG. 1 is a diagram illustrating an example of a concept related to deep learning-based artificial intelligence (AI) in a system applicable to the present disclosure.
  • AI artificial intelligence
  • FIG. 2 is a diagram illustrating an example of the structure of a feed-forward neural network (FFNN) as an example of a deep learning model in a system applicable to the present disclosure.
  • FFNN feed-forward neural network
  • FIG. 3 is a diagram illustrating an example of the structure of a recurrent neural network (RNN) as an example of a deep learning model in a system applicable to the present disclosure.
  • RNN recurrent neural network
  • FIG. 4 is a diagram illustrating an example of the structure of a convolution neural network (CNN) as an example of a deep learning model in a system applicable to the present disclosure.
  • CNN convolution neural network
  • FIG. 5 is a diagram illustrating an example of the structure of an auto encoder as an example of a deep learning model in a system applicable to the present disclosure.
  • FIG. 6 is a diagram illustrating an example of the structure of a functional framework for radio access network (RAN) intelligence in a system applicable to the present disclosure.
  • RAN radio access network
  • FIG. 7 is a diagram illustrating an example of a terminal operation process in a system applicable to the present disclosure.
  • FIG. 8 is a diagram illustrating an example of an operation process of a base station in a system applicable to the present disclosure.
  • FIG. 9 is a diagram showing an example of the structure of a first device and a second device in a system applicable to the present disclosure.
  • a or B may mean “only A,” “only B,” or “both A and B.” In other words, “A or B” may be interpreted as “A and/or B” in various embodiments of the present disclosure.
  • “A, B or C” can be replaced with “only A,” “only B,” “only C,” or “any of A, B, and C.” It can mean "any combination of A, B and C”.
  • a slash (/) or a comma used in various embodiments of the present disclosure may mean “and/or.”
  • A/B can mean “A and/or B.” Accordingly, “A/B” can mean “only A,” “only B,” or “both A and B.”
  • A, B, C can mean “A, B, or C.”
  • “at least one of A and B” may mean “only A,” “only B,” or “both A and B.” Additionally, in various embodiments of the present disclosure, the expression “at least one of A or B” or “at least one of A and/or B” can be interpreted the same as “at least one of A and B.”
  • “at least one of A, B and C” may be referred to as “only A,” “only B,” “only C,” or “A.” , any combination of A, B and C.” Also, “at least one of A, B or C” or “at least one of A, B and/or C” means It may mean “at least one of A, B and C.”
  • parentheses used in various embodiments of the present disclosure may mean “for example.” Specifically, when “control information (PDCCH)” is indicated, “PDCCH” may be proposed as an example of “control information.” In other words, “control information” in various embodiments of the present disclosure is not limited to “PDCCH,” and “PDDCH” may be proposed as an example of “control information.” Additionally, even when “control information (i.e., PDCCH)” is indicated, “PDCCH” may be proposed as an example of “control information.”
  • 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 Robot
  • AI Artificial Intelligence
  • 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 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:
  • RRC Radio Resource Control
  • RRC Radio Resource Control
  • CRI channel state information - reference signal
  • CSI-IM channel state information - interference measurement
  • CSI-RS channel state information - reference signal
  • IFDMA interleaved frequency division multiple access
  • IFFT inverse fast Fourier transform
  • L1-RSRP Layer 1 reference signal received power
  • L1-RSRQ Layer 1 reference signal received quality
  • OFDM orthogonal frequency division multiplexing
  • PDCCH physical downlink control channel
  • PDSCH physical downlink shared channel
  • RRC radio resource control
  • SINR signal to interference and noise ratio
  • SSB (or SS/PBCH block): synchronization signal block (including primary synchronization signal, secondary synchronization signal and physical broadcast channel)
  • TDM time division multiplexing
  • TRP transmission and reception point
  • 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 Robot
  • AI Artificial Intelligence
  • UAV Unmanned Aerial Vehicle
  • AR Algmented Reality
  • VR Virtual Reality
  • the BM procedure is a set of base station (e.g. gNB, TRP, etc.) and/or terminal (e.g. UE) beams that can be used for downlink (DL) and uplink (UL) transmission/reception.
  • base station e.g. gNB, TRP, etc.
  • terminal e.g. UE
  • L1 layer 1
  • L2 layer 2
  • - Beam measurement An operation in which a base station or UE measures the characteristics of a received beam forming signal.
  • Tx beam transmission beam
  • Rx beam reception beam
  • - Beam sweeping An operation to cover a spatial area using transmit and/or receive beams during a certain time interval in a predetermined manner.
  • - Beam report An operation in which the UE reports information about a beam-formed signal based on beam measurement.
  • the BM procedure can be divided into (1) a DL BM procedure using a synchronization signal (SS)/physical broadcast channel (PBCH) Block or CSI-RS, and (2) a UL BM procedure using a sounding reference signal (SRS).
  • SS synchronization signal
  • PBCH physical broadcast channel
  • SRS sounding reference signal
  • each BM procedure may include Tx beam sweeping to determine the Tx beam and Rx beam sweeping to determine the Rx beam.
  • the base station provides a reception beam (i.e., a reception beam (i.e. , spatial Rx parameters), the TCI state is used to configure/indication, and the DL reference signal (e.g., SSB-RI, CRI (P/SP/ By setting/updating AP)), you can instruct to use the reception beam when receiving the DL RS set as a reference when receiving PDCCH or PDSCH.
  • a reception beam i.e., spatial Rx parameters
  • the TCI state is used to configure/indication
  • the DL reference signal e.g., SSB-RI, CRI (P/SP/ By setting/updating AP)
  • spatialRelationInfo can be used to configure/indicate the transmission beam to be used when the base station transmits a UL channel to the terminal.
  • the base station sets up a DL reference signal (i.e., SSB-RI, CRI (P/SP/AP)) or SRS (i.e., SRS) as a reference RS for the target UL channel and/or target RS through RRC setting and/or MAC CE activation.
  • a DL reference signal i.e., SSB-RI, CRI (P/SP/AP)
  • SRS i.e., SRS
  • the transmission beam set/updated/instructed by the base station and used for SRS transmission (for CB or NCB) is used as a transmission beam for PUSCH through the SRI field of the UL grant DCI. It is indicated and used as the terminal's PUSCH transmission beam.
  • TCI state configuration is used to set/instruct the reception beam for the target DL RS/channel, and if the target DL RS/channel is CSI-RS, RRC/MAC CE level (TCI within the TCI state pool) It is possible to set the terminal reception beam by setting the QCL type-D RS (through state ID setting), and if the target DL RS/channel is PDCCH, set up to 64 TCI state IDs in a specific CORESET and then set the specific TCI state through MAC CE. It is possible to set the terminal reception beam by indicating the ID, and the reception beam of the corresponding CORESET can be updated through the same MAC CE massage.
  • TCI state IDs can be connected to the TCI state field of the DL DCI through MAC CE, allowing the PDSCH reception beam to be indicated through the TCI indication during DL scheduling.
  • PDSCH reception beam update is possible by updating the TCI state ID connected to the TCI state field through the same MAC CE massage.
  • Rel-15 NR it is possible to set the transmission beam by connecting the PUCCH-SpatialRelationInfoId through a MAC CE message for each PUCCH resource to set/instruct the transmission beam of the PUCCH, and the MAC level for PUCCH-SpatialRelationInfo through the same MAC CE message. Update is possible. Additionally, in the case of SRS, it is possible to update SRS-SpatialRelationInfo of SRS resources in the semi-persistent SRS resource set through a MAC CE message that activates SRS transmission for SP-SRS.
  • operation between base station terminals is enhanced to enable update of SRS-SpatialRelationInfo of SRS resources in the aperiodic SRS resource set through MAC CE message for AP-SRS. It has been done.
  • the operation between base station terminals has been enhanced to enable simultaneous update of spatial relation reference RS in multiple CC (BWP) for SP-SRS and AP-SRS through MAC CE message.
  • BWP spatial relation reference RS in multiple CC
  • PUCCH resource group per BWP
  • operation between base station terminals has been enhanced to enable simultaneous spatial relation update for PUSCH resources within the corresponding PUCCH resource group.
  • NR Rel-15/Rel-16 upper layer signaling such as RRC and MAC CE is mainly used for beam indication/update operations for reception/transmission between the base station and the terminal, and for some channels/RS (PDSCH, PUSCH), etc.
  • DCI based beam indication operation was supported.
  • Rel-17 introduces a dynamic beam update operation using the joint DL/UL TCI state and separate DL/UL TCI state, and the base station uses DCI to commonly indicate one beam for multiple specific channel/RS combinations of the terminal. Standardization was carried out for the common beam update operation of the terminal performing /update.
  • the target channel/RS of common beam update includes UE-dedicated CORESET, UE-dedicated reception on PDSCH for DL, DG/CG-PUSCH, all or subset of dedicated PUCCH for UL, and additionally AP CSI-RS for tracking/ BM and SRS can be set as target channel/RS.
  • one feature corresponds to the content agreed upon as a working assumption and defines a UE capability value set index (hereinafter abbreviated as C-ID) to tell the terminal how many C-IDs the terminal has. It is reported as a UE capability report.
  • C-ID UE capability value set index
  • the attribute included in the C-ID agreed upon so far is the maximum number of SRS ports supported by the terminal for each C-ID. That is, C-ID is defined only for panel(s) with different SRS port numbers.
  • Another feature is the operation of reporting (instantaneously/periodically) by including the C-ID reported as the UE capability in the beam report, as captured by agreement.
  • this evolved reporting method will be referred to as 'panel-specific beam report'.
  • the terminal sets/receives an existing beam report, the best N (regardless of the terminal Rx panel) (N is a value between 1 and 4, set by the base station)
  • N is a value between 1 and 4, set by the base station
  • the RS indices i.e., CRI or SSBRI
  • the base station's Tx beam are reported to the base station along with the L1-RSRP or L1-SINR value, which is the reception quality value of the corresponding RS.
  • the panel-specific beam report method reports the optimal C-ID (for each CRI/SSBRI) along with the L1-RSRP/L1-SINR(s) related to the CRI/SSBRI(s).
  • a mode in which the C-ID is individually reported for each CRI/SSBRI and/or a mode in which a single C-ID is reported for all CRIs/SSBRIs will be supported.
  • power control settings/instructions for the terminal of the base station are performed by setting for each UL channel/RS (i.e., PUSCH, PUCCH, SRS), and as described above, in Rel-17 Unified TCI (e.g., joint and/or separate DL/UL TCI state) Enhanced to indicate DL/UL transmission/transmission beams, how to set/instruct UL power control parameters along with setting/indicating TCI state discussed (see agreement below).
  • UL channel/RS i.e., PUSCH, PUCCH, SRS
  • Unified TCI e.g., joint and/or separate DL/UL TCI state
  • PL-RS pathloss reference RS
  • association/inclusion was decided by RAN2
  • power control parameters P0, alpha, closed-loop index
  • the base station sets/instructs the UL transmission beam for the specific target DL/UL channel/RS of the terminal through joint and/or separate UL TCI state and sets the power control parameters necessary for determining transmission power. Can be set/instructed together.
  • FIG. 1 is a diagram illustrating an example of a concept related to deep learning-based artificial intelligence (AI) in a system applicable to the present disclosure.
  • AI artificial intelligence
  • AI/ML Artificial intelligence / machine learning
  • various environmental parameters Depending on the distribution/location of base stations, distribution/location/material of buildings/furniture, etc., location/movement direction/speed of terminals, climate information, etc.
  • various network/base station decision parameter values e.g. transmission/reception power of each base station, It is expected that it will be possible to quickly optimize and derive/apply the transmission power of the 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 Advanced Radio Access
  • AI/ML can easily be referred to as artificial intelligence based on deep learning (deep learning), but conceptually, it is as shown in the table below.
  • Machine Learning Machines learn patterns for decision-making from data on their own without explicitly programming rules.
  • Deep Learning A model based on an artificial neural network, where a machine performs feature extraction and judgment from unstructured data at once.
  • the algorithm interacts with the biological nervous system, that is, to extract and transform features inspired by neural networks. It relies on a multi-layered network of connected nodes.
  • Common deep learning network architectures include deep neural networks (DNNs), recurrent neural networks (RNNs), and convolutional neural networks (CNNs).
  • federated learning a collective model is constructed based on data from distributed data owners. Instead of importing 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 copy of the model, eliminating the need to report the source data to a central node. In federated learning, the parameters/weights of the AI/ML model can be sent back to the centralized node to support general model training.
  • the advantages of federated learning include increased computation speed and excellence in information security. In other words, the process of uploading personal data to the central server is unnecessary, preventing leakage and misuse of personal information.
  • 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.
  • Examples of supervised learning include:
  • Supervised learning can be further grouped into regression and classification problems, where classification is predicting labels and regression is predicting quantities.
  • 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 LSTM.
  • PCA principal component analysis
  • ICA nonlinear independent component analysis
  • LSTM LSTM
  • Reinforcement learning can be further grouped into model-based reinforcement learning and model-free reinforcement learning.
  • Model-based reinforcement learning RL algorithm using a predictive model, various dynamic states of the environment, and a model where these states lead to rewards, to obtain the transition probability between states.
  • Model-free reinforcement learning A RL algorithm based on value or policy that achieves 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.
  • FFNN feed-forward neural network
  • RNN recurrent neural network
  • CNN convolution neural network
  • auto encoder auto encoder
  • FIG. 2 is a diagram illustrating an example of the structure of a feed-forward neural network (FFNN) as an example of a deep learning model in a system applicable to the present disclosure.
  • FFNN feed-forward neural network
  • Consists of an input layer a hidden layer, and an output layer.
  • FIG. 3 is a diagram illustrating an example of the structure of a recurrent neural network (RNN) as an example of a deep learning model in a system applicable to the present disclosure.
  • RNN recurrent neural network
  • RNN 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.
  • LSTM Long Short-Term Memory
  • FIG. 4 is a diagram illustrating an example of the structure of a convolution neural network (CNN) as an example of a deep learning model in a system applicable to the present disclosure.
  • CNN convolution neural network
  • CNN is used for two purposes: reducing model complexity and extracting good features by applying the convolution operation commonly used in the image processing field.
  • - Kernel or filter Unit/structure that applies weight to input of a specific range/unit
  • FIG. 5 is a diagram illustrating an example of the structure of an auto encoder as an example of a deep learning model in a system applicable to the present disclosure.
  • FIG. 6 is a diagram illustrating an example of the structure of a functional framework for radio access network (RAN) intelligence in a system applicable to the present disclosure.
  • RAN radio access network
  • Data collection Data collected from network nodes, management entities, or UEs as the basis for ML model training, data analysis, and inference.
  • (2) ML model A data-driven algorithm that applies machine learning technology to generate a series of outputs consisting of predictive information based on a series of inputs.
  • (3) ML training It is an online or offline process of training an ML model by learning the features and patterns that best represent the data and taking the trained ML model for inference.
  • Data collection Data collected from the network nodes, management entity or UE, as a basis for ML model training, data analytics and inference.
  • (2) ML Model A data driven algorithm by applying machine learning techniques that generates a set of outputs consisting of predicted information, based on a set of inputs
  • ML Training An online or offline process to train an ML model by learning features and patterns that best present data and get the trained ML model for inference.
  • Data collection is a function that provides input data to model learning and model inference functions.
  • AI/ML algorithm-specific data preparation e.g., data preprocessing and cleaning, formatting, and transformation
  • Examples of input data may include measurements from a UE or other network entity, feedback from an Actor, and output from an AI/ML model.
  • Training data Data required as input for AI/ML model learning function.
  • Inference data Data required as input for AI/ML model inference function.
  • (1) Data Collection is a function that provides input data to Model training and Model inference functions.
  • AI/ML algorithm specific data preparation e.g., data pre-processing and cleaning, formatting, and transformation
  • Examples of input data may include measurements from UEs or different network entities, feedback from Actor, output from an AI/ML model.
  • Training Data Data needed as input for the AI/ML Model Training function.
  • Model training is the function of performing ML model training, validation, and testing, which can generate model performance metrics as part of the model testing procedure.
  • the model training function is also responsible for data preparation (e.g., data preprocessing and cleaning, formatting, and transformation) based on the training data provided by the data collection function, if necessary.
  • Model deployment/update Used to initially deploy trained, verified, and tested AI/ML models to the model inference function or to deliver the updated model to the model inference function.
  • Model Training is a function that performs the ML model training, validation, and testing which may generate model performance metrics as part of the model testing procedure.
  • the Model Training function is also responsible for data preparation (e.g. data pre-processing and cleaning, formatting, and transformation) based on Training Data delivered by a Data Collection function, if required.
  • Model Deployment/Update Used to initially deploy a trained, validated, and tested AI/ML model to the Model Inference function or to deliver an updated model to the Model Inference function.
  • Model inference is the ability to provide AI/ML model inference output (e.g., prediction or decision).
  • the model inference function can provide model performance feedback to the model training function, if applicable.
  • the model inference function is also responsible for data preparation (e.g., data preprocessing and cleaning, formatting, and transformation) based on the inference data passed by the data collection function, if necessary.
  • Model performance feedback Can be used to monitor the performance of AI/ML models.
  • Model Inference is a function that provides AI/ML model inference output (e.g. predictions or decisions). Model Inference function may provide model performance feedback to Model Training function when applicable. The Model inference function is also responsible for data preparation (e.g. data pre-processing and cleaning, formatting, and transformation) based on Inference Data delivered by a Data Collection function, if required.
  • data preparation e.g. data pre-processing and cleaning, formatting, and transformation
  • (3-1) Output The inference output of the AI/ML model produced by a Model Inference function.
  • Model Performance Feedback It may be used for monitoring the performance of the AI/ML model.
  • Actor is a function that receives the output of the Model inference function and triggers or performs the corresponding action. Actors can trigger actions toward other entities or toward themselves.
  • Actor is a function that receives the output from the Model inference function and triggers or performs corresponding actions.
  • the Actor may trigger actions directed to other entities or to itself.
  • the training data and validation data within the entire training set are divided into about 8:2 or 7:3, and if the test is also included, it is 6:2:2 (training: Validation: test) is used separately.
  • the cooperation level can be defined as follows, and modifications can be made by combining or separating the following levels.
  • Inter-node support to improve AI/ML algorithms on each node This applies to UEs receiving support from the gNB (training, adaptation, etc.) and vice versa. At this level, model exchange between network nodes is not required.
  • AI/ML-based operations between base station terminals can be simply divided into base station AI/ML, terminal AI/ML, and joint AI/ML operations between base station terminals.
  • AI/ML-based beam management it describes a method for a terminal to report information that can be mainly used as an input parameter of base station AI/ML and a beam reporting method through terminal AI/ML.
  • ‘/’ can be interpreted as ‘and’, ‘or’, or ‘and/or’ depending on the context.
  • Proposal 1 In addition to/separately from legacy L1-RSRP/SINR-based beam reporting, the UE reports based on the slope of the L1-RSRP/SINR value in the CRI/SSBRIs in the CSI resource config for specific beam reporting (e.g., L1 -Based on the differential value per unit time of the RSRP/SINR value, best CRI/SSBRI(s) reporting can be performed from the perspective of the best beam with a large slope/derivative value or/and from the perspective of a beam with a slope/derivative value above the threshold. there is.
  • Beam reporting for the slope/derivative value is reported to the base station as an additional payload to the legacy beam reporting instance (e.g., CRI/SSBRI + RSRP/SINR value of the CRI/SSBRI + slope/derivative value of the CRI/SSBRI), It can be independently reported to the base station through a separate beam reporting configuration.
  • the UE when selecting/reporting the best beam based on the slope/derivative value, a beam with only a good slope can be selected and reported although the absolute value of RSRP/SINR is small, so the UE can use the L1-RSRP/SSBRI for a specific CRI/SSBRI.
  • ReportQuantity for the beam reporting may be newly introduced.
  • the slope/derivative value is expressed as (y(t2) - y(t1)) / (t2 - t1) when the instantaneous L1-RSRP/SINR is expressed as a function with time y(x) as a variable. You can.
  • the unit time for calculating the slope/derivative value (and/or t1 and t2 in the example above) or/and w1/w2 in the metric for considering both absolute value and slope are specified/defined in the specification or in the base station settings. It can be set/instructed by
  • Best beam reporting using the slope/derivative value is used by the base station without any additional processing to determine the DL serving beam for the corresponding terminal, or AI for prediction of future DL serving beam at the base station.
  • the beam reporting contains information that the RSRP/SINR value of a specific beam is increasing. At least one of the reported best beams can be immediately set/instructed as a DL beam for DL transmission/reception.
  • a base station equipped with an AI/ML function can apply the beam reporting information as one of the input parameters when driving the AI/ML function to predict the future DL serving beam and use it to predict the UE serving beam. Afterwards, based on the predicted serving beam information, the base station can set/instruct the UE on a DL beam for DL transmission/reception.
  • the L3 filtered RSRP value rather than the L1-RSRP/SINR value, may be used.
  • the terminal can perform best beam reporting for beams with a good tendency (e.g., slope/derivative value) of the RSRP value filtered in L3.
  • Layer 3 filtering in higher layers is performed by the procedure shown in the table below.
  • the value a is configured by base station RRC settings.
  • a method of performing L3 filtering for beam measurement quantity through base station AI/ML or/and terminal AI/ML is proposed.
  • the base station can set the optimal value of a to the terminal through AI/ML, or/and the terminal can set the optimal a value for a specific beam measurement quantity through the AI/ML function rather than performing L3 filtering using the formula below (corresponding It can be set/applied by calculating the filter output (using beam measurement(s) as an input parameter).
  • the UE may perform best beam reporting for a specific time instance(s) in the past or/and/or future time instance(s) in addition/separately to legacy L1-RSRP/SINR-based beam reporting. That is, when reporting CRI/SSBRI and L1-RSRP/SINR values in the beam reporting payload, the UE can report the best CRI/SSBRI(s) and L1-RSRP/SINR values for each time stamp. E.g., ...
  • t-2 CRI1, -76 dBm, t-1: CRI1, -68 dBm, t: CRI3, -70 dBm, t+1: CRI3, -72 dBm, t+2: CRI3, - 66 dBm, ... .
  • the RSRP(/SINR) value of the best CRI/SSBRI of each time stamp is a 7-bit value in the range [-140, - It is expressed as 44](/[-23, 40]) dBm with 1(/0.5)dB step size, and the RSRP(/SINR) value of the remaining CRI/SSBRI is computed with 2 dB(/1 dB) step size with a reference. to the largest measured L1-RSRP(/SINR) value which is part of the same L1-RSRP(/SINR) reporting instance.
  • the terminal can report the amount of change in measured/predicted values by expressing it in the form of a function.
  • f(a) may be a function of the amount of change.
  • the terminal can report the 0th order, 1st order, 2nd order, ... (if needed) coefficients used to measure the amount of change at a specific reference time (t0).
  • the terminal can report the amount of change in measured/predicted values by expressing it in the form of a function.
  • f(a) may be a function of the amount of change.
  • the terminal can report one or more coefficients of 0th order, 1st order, 2nd order, ... (if needed) used to measure the amount of change at a specific reference time (t0). That is, the terminal can report one or more coefficients in a polynomial to express the amount/rate of change.
  • the time unit between time stamps and the number of time stamps to report, etc. may be stipulated/defined in specifications or set/instructed by base station settings.
  • the best beam report for instance(s) at a future time determines the best beam based on the RSRP/SINR tendency measured at the terminal described in Proposal 1, or the AI/ML function on the terminal side determines the best beam. If there is one, the best beam can be determined based on terminal AI/ML calculation.
  • Best beam reporting by time stamp in Proposal 2 above is used by the base station without any additional processing to determine the DL serving beam for the corresponding terminal, or is used by the base station to predict the future DL serving beam using AI/ It can be used as one of the input parameters of the ML function.
  • Proposal 1 to Proposal 2 can be used in operations between base stations and terminals by combining at least one or more.
  • An example of a terminal (or base station) operation based on at least one of the above-described embodiments is as follows.
  • the setting information may be based on Proposal 1 or Proposal 2.
  • the terminal transmits (receives) beam reporting for the best beam based on reception/measurement of candidate beams.
  • the best beam measurement/decision may be based on Proposal 1 or Proposal 2.
  • each operation (or step) is not necessarily essential.
  • operations related to beam measurement and reporting of the terminal according to the above-described embodiments may be omitted or added. You can.
  • the operations of the base station/terminal are the device of FIG. 34 (e.g., which will be described later). It can be processed by the processors 1610 and 1660 of FIG. 34).
  • the operations of the base station/terminal are performed by at least one processor (e.g., 1610 and 1660 in FIG. 34).
  • processor e.g., 1610 and 1660 in FIG. 34
  • memory e.g., 1640, 1690 in FIG. 34
  • instructions/programs e.g., instructions, executable code
  • FIG. 7 is a diagram illustrating an example of a terminal operation process in a system applicable to the present disclosure.
  • step S3210 the terminal receives CSI resource configuration (channel state information resource configuration) from the base station.
  • step S3220 the terminal receives a plurality of CSI-reference signal resource indicators (CRIs) or a plurality of first synchronization signal block resource indicators (SSBRIs) related to the CSI resource configuration.
  • CRIs CSI-reference signal resource indicators
  • SSBRIs first synchronization signal block resource indicators
  • step S3230 the terminal measures received signal received power (RSRP) or signal to interference power (SINR) related to the first CRIs or the first SSBRIs.
  • RSRP received signal received power
  • SINR signal to interference power
  • step S3240 the terminal calculates the differential value per unit time of the measured RSRP or SINR.
  • step S3250 the terminal selects a predetermined number of second CRIs or second SSBRIs among the first CRIs or the first SSBRIs based on the absolute value and the differential value of the RSRP or SINR.
  • step S3260 the terminal transmits a report message related to the second CRIs or second SSBRIs to the base station.
  • the report message may include the absolute value of the RSRP or SINR associated with the second CRIs or second SSBRIs, and the RSRP or SINR associated with the second CRIs or second SSBRIs. It may include the differential value of SINR.
  • the reporting message includes a first reporting configuration based on the absolute value of the RSRP or SINR associated with the second CRIs or second SSBRI and the second CRIs or second SSBRI. and a second reporting configuration based on the differential value of the RSRP or SINR associated with the RSRP or SINR.
  • the second reporting configuration may be transmitted together with the first reporting configuration as an additional payload of the first reporting configuration.
  • the second reporting configuration may be configured separately from the first reporting configuration and transmitted separately from the first reporting configuration.
  • the second CRIs or second SSBRIs may include (N1+N2) CRIs or SSBRIs.
  • N1 CRIs or SSBRIs among the second CRIs or second SSBRIs are based on the absolute value of the RSRP or SINR among the plurality of first CRIs or first SSBRIs. These may be determined CRIs or SSBRIs.
  • N2 CRIs or SSBRIs among the second CRIs or second SSBRIs are CRIs determined based on the differential value among the plurality of first CRIs or first SSBRIs, or could be SSBRIs.
  • the report message may be based on a metric based on both the absolute value and the differential value of the RSRP or SINR.
  • the second CRIs or second SSBRIs may be a predetermined number of CRIs or SSBRIs whose value based on the metric is the highest among the first CRIs or first SSBRIs.
  • the report message may include the optimal second CRI or second SSBRI for each time stamp, and the RSRP or SINR associated with the optimal second CRI or second SSBRI for each time stamp.
  • the report message is a report on the optimal CRI or SSBRI or a report on the optimal CRI or SSBRI for a specific time in the past or future based on the second CRIs or second SSBRIs.
  • the report message may include the absolute value of the RSRP or SINR associated with the second CRIs or second SSBRIs, or the RSRP associated with the second CRIs or second SSBRIs.
  • One or more of the above differential values of SINR can be expressed in the form of a rate of change value at a specific time.
  • the report message may include information about the CRI or SSBRI with the best change rate based on the change rate value.
  • the change rate value at the specific time may be calculated by a polynomial based on the variable at the specific time.
  • the report message may include information on one or more coefficients included in the polynomial.
  • a terminal in a wireless communication system.
  • the terminal includes a transceiver and at least one processor, and the at least one processor may be configured to perform the terminal operation method according to FIG. 7.
  • an apparatus for controlling a terminal in a communication system includes at least one processor and at least one memory operably connected to the at least one processor.
  • the at least one memory may be configured to store instructions for performing the operation method of the terminal according to FIG. 7 based on execution by the at least one processor.
  • one or more non-transitory computer readable medium storing one or more instructions.
  • the one or more instructions perform operations based on execution by one or more processors, and the operations may include the method of operating a terminal according to FIG. 7 .
  • FIG. 8 is a diagram illustrating an example of an operation process of a base station in a system applicable to the present disclosure.
  • step S3310 the base station transmits a CSI resource configuration (channel state information resource configuration) to the terminal.
  • CSI resource configuration channel state information resource configuration
  • the base station provides a plurality of CSI-reference signal resource indicators (CRIs) or a plurality of first synchronization signal block resource indicators (SSBRIs) related to the CSI resource configuration to the terminal.
  • CRIs CSI-reference signal resource indicators
  • SSBRIs first synchronization signal block resource indicators
  • step S3330 the base station receives a report message related to the first CRIs or second CRIs or second SSBRIs that are part of the first CRIs from the terminal.
  • the second CRIs or second SSBRIs are related to the first CRIs or the first SSBRIs among the first CRIs or the first SSBRIs. ) or a predetermined number of CRIs or SSBRIs selected based on the absolute value of signal to interference power (SINR) and the differential value per unit time of the RSRP or SINR associated with the first CRIs or the first SSBRIs there is.
  • SINR signal to interference power
  • the report message may include the absolute value of the RSRP or SINR associated with the second CRIs or second SSBRIs, and the RSRP or SINR associated with the second CRIs or second SSBRIs. It may include the differential value of SINR.
  • the reporting message includes a first reporting configuration based on the absolute value of the RSRP or SINR associated with the second CRIs or second SSBRI and the second CRIs or second SSBRI. and a second reporting configuration based on the differential value of the RSRP or SINR associated with the RSRP or SINR.
  • the second reporting configuration may be received together with the first reporting configuration as an additional payload of the first reporting configuration.
  • the second reporting configuration may be configured separately from the first reporting configuration and received separately from the first reporting configuration.
  • the second CRIs or second SSBRIs may include (N1+N2) CRIs or SSBRIs.
  • N1 CRIs or SSBRIs among the second CRIs or second SSBRIs are based on the absolute value of the RSRP or SINR among the plurality of first CRIs or first SSBRIs. These may be determined CRIs or SSBRIs.
  • N2 CRIs or SSBRIs among the second CRIs or second SSBRIs are CRIs determined based on the differential value among the plurality of first CRIs or first SSBRIs, or could be SSBRIs.
  • the report message may be based on a metric based on both the absolute value and the differential value of the RSRP or SINR.
  • the second CRIs or second SSBRIs may be a predetermined number of CRIs or SSBRIs whose value based on the metric is the highest among the first CRIs or first SSBRIs.
  • the report message may include the optimal second CRI or second SSBRI for each time stamp, and the RSRP or SINR associated with the optimal second CRI or second SSBRI for each time stamp.
  • the report message is a report on the optimal CRI or SSBRI or a report on the optimal CRI or SSBRI for a specific time in the past or future based on the second CRIs or second SSBRIs.
  • the report message may include the absolute value of the RSRP or SINR associated with the second CRIs or second SSBRIs, or the RSRP associated with the second CRIs or second SSBRIs.
  • One or more of the above differential values of SINR can be expressed in the form of a rate of change value at a specific time.
  • the report message may include information about the CRI or SSBRI with the best change rate based on the change rate value.
  • the change rate value at the specific time may be calculated by a polynomial based on the variable at the specific time.
  • the report message may include information on one or more coefficients included in the polynomial.
  • a base station in a wireless communication system.
  • the base station includes a transceiver and at least one processor, and the at least one processor may be configured to perform the method of operating the base station according to FIG. 8.
  • an apparatus for controlling a base station in a wireless communication system includes at least one processor and at least one memory operably connected to the at least one processor.
  • the at least one memory may be configured to store instructions for performing the method of operating the base station according to FIG. 8, based on execution by the at least one processor.
  • one or more non-transitory computer readable medium storing one or more instructions.
  • the one or more instructions perform operations based on execution by one or more processors, and the operations may include the method of operating a base station according to FIG. 8 .
  • FIG. 9 is a diagram showing an example of the structure of a first device and a second device in a system applicable to the present disclosure.
  • the first device 1600 may include a processor 1610, an antenna unit 1620, a transceiver 1630, and a memory 1640.
  • the processor 1610 performs baseband-related signal processing and may include an upper layer processing unit 1611 and a physical layer processing unit 1615.
  • the upper layer processing unit 1611 can process operations of the MAC layer, RRC layer, or higher layers.
  • the physical layer processing unit 1615 can process PHY layer operations. For example, when the first device 1600 is a base station device in base station-to-device communication, the physical layer processing unit 1615 may perform uplink reception signal processing, downlink transmission signal processing, etc. For example, when the first device 1600 is the first terminal device in terminal-to-device communication, the physical layer processing unit 1615 performs downlink reception signal processing, uplink transmission signal processing, sidelink transmission signal processing, etc. can do. In addition to performing baseband-related signal processing, the processor 1610 may also control the overall operation of the first device 1600.
  • the antenna unit 1620 may include one or more physical antennas, and may support MIMO transmission and reception when it includes a plurality of antennas.
  • the transceiver 1630 may include a radio frequency (RF) transmitter and an RF receiver.
  • the memory 1640 may store information processed by the processor 1610 and software, operating system, and applications related to the operation of the first device 1600, and may also include components such as buffers.
  • the processor 1610 of the first device 1600 is set to implement the operation of the base station in communication between base stations and terminals (or the operation of the first terminal device in communication between terminals) in the embodiments described in this disclosure. It can be.
  • the second device 1650 may include a processor 1660, an antenna unit 1670, a transceiver 1680, and a memory 1690.
  • the processor 1660 performs baseband-related signal processing and may include an upper layer processing unit 1661 and a physical layer processing unit 1665.
  • the upper layer processing unit 1661 can process operations of the MAC layer, RRC layer, or higher layers.
  • the physical layer processing unit 1665 can process PHY layer operations. For example, when the second device 1650 is a terminal device in communication between a base station and a terminal, the physical layer processing unit 1665 may perform downlink received signal processing, uplink transmitted signal processing, etc. For example, when the second device 1650 is a second terminal device in terminal-to-device communication, the physical layer processing unit 1665 performs downlink received signal processing, uplink transmitted signal processing, sidelink received signal processing, etc. can do.
  • the processor 1660 may also control the overall operation of the second device 1660.
  • the antenna unit 1670 may include one or more physical antennas, and may support MIMO transmission and reception when it includes a plurality of antennas.
  • Transceiver 1680 may include an RF transmitter and an RF receiver.
  • the memory 1690 may store information processed by the processor 1660 and software, operating system, and applications related to the operation of the second device 1650, and may also include components such as buffers.
  • the processor 1660 of the second device 1650 is set to implement the operation of the terminal in communication between base stations and terminals (or the operation of the second terminal device in communication between terminals) in the embodiments described in this disclosure. It can be.
  • the base station and the terminal in the base station-to-device communication (or the first terminal and the second terminal in the terminal-to-device communication) in the examples of the present disclosure.
  • the items described can be applied equally, and overlapping explanations will be omitted.
  • wireless communication technologies implemented in the devices 1600 and 1650 of the present disclosure may include Narrowband Internet of Things (NB-IoT) 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 not limited to the above-mentioned names.
  • LPWAN Low Power Wide Area Network
  • 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 devices 1600 and 1650 of the present disclosure may include at least one of ZigBee, Bluetooth, and Low Power Wide Area Network (LPWAN) considering low-power communication. It may include one, and is not limited to the above-mentioned names.
  • ZigBee technology can create personal area networks (PANs) related to small/low-power digital communications based on various standards such as IEEE 802.15.4, and can be called by various names.

Landscapes

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

Abstract

본 개시의 다양한 실시 예들에 따르면, 무선 통신 시스템에서 단말의 동작 방법에 있어서, 기지국으로부터 CSI 자원 구성(channel state information resource configuration)을 수신하는 단계, 상기 CSI 자원 구성과 관련된 복수의 제1 CRI(CSI-reference signal resource indicator)들 또는 복수의 제1 SSBRI(synchronization signal block resource indicator)들에 기반하여 상기 기지국으로부터 복수의 CSI-RS들을 수신하는 단계, 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 RSRP(received signal received power) 또는 SINR(signal to interference power)을 측정하는 단계, 상기 측정된 RSRP 또는 SINR의 단위 시간 당 미분 값을 계산하는 단계, 상기 RSRP 또는 SINR의 절대 값 및 상기 미분 값에 기반하여 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 미리 정해진 개수의 제2 CRI들 또는 제2 SSBRI들을 선택하는 단계, 상기 기지국에게 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 보고 메시지를 전송하는 단계를 포함하고, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 및 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값을 포함하는 방법이 제공된다.

Description

무선 통신 시스템에서 AI/ML 기반 빔 관리를 수행하기 위한 장치 및 방법
본 개시(disclosure)는 무선 통신 시스템에서 AI/ML(artificial intelligence/machine learning) 기반 빔 관리를 수행하기 위한 장치 및 방법에 관한 것이다. 구체적으로, 본 개시는 무선 통신 시스템에서 AI/ML 기반 빔 관리에 있어서 주로 기지국 AI/ML의 입력 매개변수로써 활용될 수 있는 정보를 단말이 보고하는 방법과 단말 AI/ML을 통한 빔 보고를 수행하기 위한 장치 및 방법에 관한 것이다.
3GPP Rel-18 표준화에서는 AI(Artificial Intelligence)/ML(Machine learning)을 활용한 기지국 단말 간 통신에 있어서의 성능 향상을 목표로 study를 진행할 예정이다. AI/ML을 활용하여 성능 향상을 평가해볼 use case는 주로 CSI reporting, beam management, positioning 세가지로 상정되었다. (아래 Rel-18 AI/ML SI objective 참조) 특히 beam management에서는, beam prediction in time, and/or spatial domain for overhead and latency reduction, beam selection accuracy improvement에 대해 sub use case를 상정하고 있다.
기지국 단말 간 AI/ML-based 동작의 유형을 나열하자면 기지국 AI/ML, 단말 AI/ML, 기지국 단말 간 joint AI/ML 동작으로 간단하게 나눌 수 있다. 본 개시에서는, AI/ML-based beam management에 있어서 주로 기지국 AI/ML의 input parameter로써 활용될 수 있는 정보를 단말이 reporting하는 방법과 단말 AI/ML을 통한 beam reporting 방법에 대해 기술한다. 본 개시에서는 AI/ML-based beam management를 위한 단말의 beam reporting 동작을 제안한다.
상술한 문제점을 해결하기 위해, 본 개시는 무선 통신 시스템에서 AI/ML(artificial intelligence/machine learning) 기반 빔 관리를 수행하기 위한 장치 및 방법을 제공한다.
본 개시는 무선 통신 시스템에서 AI/ML 기반 빔 관리에 있어서 주로 기지국 AI/ML의 입력 매개변수로써 활용될 수 있는 정보를 단말이 보고하는 방법과 단말 AI/ML을 통한 빔 보고를 수행하기 위한 장치 및 방법을 제공한다.
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 다양한 실시 예들에 따르면, 무선 통신 시스템에서 단말의 동작 방법에 있어서, 기지국으로부터 CSI 자원 구성(channel state information resource configuration)을 수신하는 단계, 상기 CSI 자원 구성과 관련된 복수의 제1 CRI(CSI-reference signal resource indicator)들 또는 복수의 제1 SSBRI(synchronization signal block resource indicator)들에 기반하여 상기 기지국으로부터 복수의 CSI-RS들을 수신하는 단계, 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 RSRP(received signal received power) 또는 SINR(signal to interference power)을 측정하는 단계, 상기 측정된 RSRP 또는 SINR의 단위 시간 당 미분 값을 계산하는 단계, 상기 RSRP 또는 SINR의 절대 값 및 상기 미분 값에 기반하여 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 미리 정해진 개수의 제2 CRI들 또는 제2 SSBRI들을 선택하는 단계, 상기 기지국에게 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 보고 메시지를 전송하는 단계를 포함하고, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 및 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값을 포함하는 방법이 제공된다.
본 개시의 다양한 실시 예들에 따르면, 무선 통신 시스템에서 기지국의 동작 방법에 있어서, 단말에게 CSI 자원 구성(channel state information resource configuration)을 전송하는 단계, 상기 CSI 자원 구성과 관련된 복수의 제1 CRI(CSI-reference signal resource indicator)들 또는 복수의 제1 SSBRI(synchronization signal block resource indicator)들에 기반하여 상기 단말에게 복수의 CSI-RS들을 전송하는 단계, 상기 단말로부터 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 일부인 제2 CRI들 또는 제2 SSBRI들과 관련된 보고 메시지를 수신하는 단계를 포함하고, 상기 제2 CRI들 또는 제2 SSBRI들은 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 RSRP(received signal received power) 또는 SINR(signal to interference power)의 절대 값 및 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 상기 RSRP 또는 SINR의 단위 시간 당 미분 값에 기반하여 선택된 미리 정해진 개수의 CRI들 또는 SSBRI들이고, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 및 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값을 포함하는 방법이 제공된다.
본 개시의 다양한 실시 예들에 따르면, 무선 통신 시스템에서 단말에 있어서, 송수신기, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 메모리를 포함하며, 상기 동작들은, 본 개시의 다양한 실시 예들에 따른 단말의 동작 방법의 모든 단계를 포함하는 단말이 제공된다.
본 개시의 다양한 실시 예들에 따르면, 무선 통신 시스템에서 기지국에 있어서, 송수신기, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 메모리를 포함하며, 상기 동작들은, 본 개시의 다양한 실시 예들에 따른 기지국의 동작 방법의 모든 단계를 포함하는 기지국이 제공된다.
본 개시의 다양한 실시 예들에 따르면, 무선 통신 시스템에서 단말을 제어하는 제어 장치에 있어서, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서들에 동작 가능하게 접속된 적어도 하나의 메모리를 포함하고, 상기 적어도 하나의 메모리들은, 상기 적어도 하나의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하는 지시(instruction)들을 저장하며, 상기 동작들은, 본 개시의 다양한 실시 예들에 따른 단말의 동작 방법의 모든 단계를 포함하는 제어 장치가 제공된다.
본 개시의 다양한 실시 예들에 따르면, 무선 통신 시스템에서 기지국을 제어하는 제어 장치에 있어서, 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서들에 동작 가능하게 접속된 적어도 하나의 메모리를 포함하고, 상기 적어도 하나의 메모리들은, 상기 적어도 하나의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하는 지시(instruction)들을 저장하며, 상기 동작들은, 본 개시의 다양한 실시 예들에 따른 기지국의 동작 방법의 모든 단계를 포함하는 제어 장치가 제공된다.
본 개시의 다양한 실시 예들에 따르면, 하나 이상의 명령어를 저장하는 하나 이상의 비일시적인(non-transitory) 컴퓨터 판독 가능 매체에 있어서, 상기 하나 이상의 명령어는, 하나 이상의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하고, 상기 동작들은, 본 개시의 다양한 실시 예들에 따른 단말의 동작 방법의 모든 단계를 포함하는, 컴퓨터 판독 가능 매체가 제공된다.
본 개시의 다양한 실시 예들에 따르면, 하나 이상의 명령어를 저장하는 하나 이상의 비일시적인(non-transitory) 컴퓨터 판독 가능 매체에 있어서, 상기 하나 이상의 명령어는, 하나 이상의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하고, 상기 동작들은, 본 개시의 다양한 실시 예들에 따른 기지국의 동작 방법의 모든 단계를 포함하는, 컴퓨터 판독 가능 매체가 제공된다.
상술한 문제점을 해결하기 위해, 본 개시는 무선 통신 시스템에서 AI/ML(artificial intelligence/machine learning) 기반 빔 관리를 수행하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 AI/ML 기반 빔 관리에 있어서 주로 기지국 AI/ML의 입력 매개변수로써 활용될 수 있는 정보를 단말이 보고하는 방법과 단말 AI/ML을 통한 빔 보고를 수행하기 위한 장치 및 방법을 제공할 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 시스템에서 딥러닝(deep learning) 기반 인공지능(artificial intelligence, AI) 관련 개념의 일례를 도시한 도면이다.
도 2은 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 FFNN(feed-forward neural network)의 구조의 일례를 도시한 도면이다.
도 3은 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 RNN(recurrent neural network)의 구조의 일례를 도시한 도면이다.
도 4는 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 CNN(convolution neural network)의 구조의 일례를 도시한 도면이다.
도 5은 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 오토 인코더(auto encoder)의 구조의 일례를 도시한 도면이다.
도 6은 본 개시에 적용 가능한 시스템에서 RAN(radio access network) 인텔리전스를 위한 기능적 프레임워크의 구조의 일례를 도시한 도면이다.
도 7는 본 개시에 적용 가능한 시스템에서 단말의 동작 과정의 일례를 도시한 도면이다.
도 8은 본 개시에 적용 가능한 시스템에서 기지국의 동작 과정의 일례를 도시한 도면이다.
도 9는 본 개시에 적용 가능한 시스템에서 제1 장치 및 제2 장치의 구조의 일례를 도시한 도면이다.
본 개시의 다양한 실시 예들에서 "A 또는 B(A or B)"는 "오직 A", "오직 B" 또는 "A와 B 모두"를 의미할 수 있다. 달리 표현하면, 본 개시의 다양한 실시 예들에서 "A 또는 B(A or B)"는 "A 및/또는 B(A and/or B)"으로 해석될 수 있다. 예를 들어, 본 개시의 다양한 실시 예들에서 "A, B 또는 C(A, B or C)"는 "오직 A", "오직 B", "오직 C", 또는 "A, B 및 C의 임의의 모든 조합(any combination of A, B and C)"를 의미할 수 있다.
본 개시의 다양한 실시 예들에서 사용되는 슬래쉬(/)나 쉼표(comma)는 "및/또는(and/or)"을 의미할 수 있다. 예를 들어, "A/B"는 "A 및/또는 B"를 의미할 수 있다. 이에 따라 "A/B"는 "오직 A", "오직 B", 또는 "A와 B 모두"를 의미할 수 있다. 예를 들어, "A, B, C"는 "A, B 또는 C"를 의미할 수 있다.
본 개시의 다양한 실시 예들에서 "적어도 하나의 A 및 B(at least one of A and B)"는, "오직 A", "오직 B" 또는 "A와 B 모두"를 의미할 수 있다. 또한, 본 개시의 다양한 실시 예들에서 "적어도 하나의 A 또는 B(at least one of A or B)"나 "적어도 하나의 A 및/또는 B(at least one of A and/or B)"라는 표현은 "적어도 하나의 A 및 B(at least one of A and B)"와 동일하게 해석될 수 있다.
또한, 본 개시의 다양한 실시 예들에서 "적어도 하나의 A, B 및 C(at least one of A, B and C)"는, "오직 A", "오직 B", "오직 C", 또는 "A, B 및 C의 임의의 모든 조합(any combination of A, B and C)"를 의미할 수 있다. 또한, "적어도 하나의 A, B 또는 C(at least one of A, B or C)"나 "적어도 하나의 A, B 및/또는 C(at least one of A, B and/or C)"는 "적어도 하나의 A, B 및 C(at least one of A, B and C)"를 의미할 수 있다.
또한, 본 개시의 다양한 실시 예들에서 사용되는 괄호는 "예를 들어(for example)"를 의미할 수 있다. 구체적으로, "제어 정보(PDCCH)"로 표시된 경우, "제어 정보"의 일례로 "PDCCH"가 제안된 것일 수 있다. 달리 표현하면 본 개시의 다양한 실시 예들의 "제어 정보"는 "PDCCH"로 제한(limit)되지 않고, "PDDCH"가 "제어 정보"의 일례로 제안될 것일 수 있다. 또한, "제어 정보(즉, PDCCH)"로 표시된 경우에도, "제어 정보"의 일례로 "PDCCH"가 제안된 것일 수 있다.
본 개시의 다양한 실시 예들에서 하나의 도면 내에서 개별적으로 설명되는 기술적 특징은, 개별적으로 구현될 수도 있고, 동시에 구현될 수도 있다.
3GPP LTE, NR Specification
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 제 1 통신 장치로, 단말은 제 2 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(Unmanned Aerial Vehicle, UAV), 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(Unmanned Aerial Vehicle, UAV), 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(예, LTE-A, NR)을 기반으로 설명하지만 본 개시(disclosure)의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미한다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭된다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미한다. 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 LTE
- 36.211: Physical channels and modulation
- 36.212: Multiplexing and channel coding
- 36.213: Physical layer procedures
- 36.300: Overall description
- 36.331: Radio Resource Control (RRC)
3GPP NR
- 38.211: Physical channels and modulation
- 38.212: Multiplexing and channel coding
- 38.213: Physical layer procedures for control
- 38.214: Physical layer procedures for data
- 38.300: NR and NG-RAN Overall Description
- 38.331: Radio Resource Control (RRC) protocol specification
Definition and Abbreviations
BM: beam management
CQI: channel quality indicator
CRI: CSI-RS (channel state information - reference signal) resource indicator
CSI: channel state information
CSI-IM: channel state information - interference measurement
CSI-RS: channel state information - reference signal
DMRS: demodulation reference signal
FDM: frequency division multiplexing
FFT: fast Fourier transform
IFDMA: interleaved frequency division multiple access
IFFT: inverse fast Fourier transform
L1-RSRP: Layer 1 reference signal received power
L1-RSRQ: Layer 1 reference signal received quality
MAC: medium access control
NZP: non-zero power
OFDM: orthogonal frequency division multiplexing
PDCCH: physical downlink control channel
PDSCH: physical downlink shared channel
PMI: precoding matrix indicator
RE: resource element
RI: Rank indicator
RRC: radio resource control
RSSI: received signal strength indicator
Rx: Reception
QCL: quasi co-location
SINR: signal to interference and noise ratio
SSB (or SS/PBCH block): synchronization signal block (including primary synchronization signal, secondary synchronization signal and physical broadcast channel)
TDM: time division multiplexing
TRP: transmission and reception point
TRS: tracking reference signal
Tx: transmission
UE: user equipment
ZP: zero power
본 개시의 기술적 문제/동기(Technical Issue/Motivation)
3GPP Rel-18 표준화에서는 AI(Artificial Intelligence)/ML(Machine learning)을 활용한 기지국 단말 간 통신에 있어서의 성능 향상을 목표로 study를 진행할 예정이다. AI/ML을 활용하여 성능 향상을 평가해볼 use case는 주로 CSI reporting, beam management, positioning 세가지로 상정되었다. 기지국 단말 간 AI/ML-based 동작의 유형을 나열하자면 기지국 AI/ML, 단말 AI/ML, 기지국 단말 간 joint AI/ML 동작으로 간단하게 나눌 수 있다. 본 특허에서는, AI/ML-based beam management에 있어서 주로 기지국 AI/ML의 input parameter로써 활용될 수 있는 정보를 단말이 reporting하는 방법과 단말 AI/ML을 통한 beam reporting 방법에 대해 기술한다.
본 개시에서는 AI/ML-based beam management를 위한 단말의 beam reporting 동작을 제안한다.
본 개시의 구성, 작용 및 기타 특징은 첨부된 도면을 참조하여 설명된 본 개시의 실시예에 의해 이해될 것이다. (The configuration, operation and other features of the present disclosure will be understood by the embodiments of the present disclosure described with reference to the accompanying drawings.)
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 제 1 통신 장치로, 단말은 제 2 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(Unmanned Aerial Vehicle, UAV), 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(Unmanned Aerial Vehicle, UAV), AR(Augmented Reality)장치, VR(Virtual Reality)장치 등의 용어로 대체될 수 있다.
본 개시의 동작 관련 기술 (Specification Related Operation)
빔 관리 (Beam Management, BM)
BM 절차는 다운링크(downlink, DL) 및 업링크(uplink, UL) 송/수신에 사용될 수 있는 기지국(예: gNB, TRP 등) 및/또는 단말(예: UE) 빔들의 세트(set)를 획득하고 유지하기 위한 L1(layer 1)/L2(layer 2) 절차들로서, 아래와 같은 절차 및 용어를 포함할 수 있다.
- 빔 측정(beam measurement): 기지국 또는 UE가 수신된 빔 형성 신호의 특성을 측정하는 동작.
- 빔 결정(beam determination): 기지국 또는 UE가 자신의 송신 빔(Tx beam) / 수신 빔(Rx beam)을 선택하는 동작.
- 빔 스위핑 (Beam sweeping): 미리 결정된 방식으로 일정 시간 간격 동안 송신 및/또는 수신 빔을 이용하여 공간 영역을 커버하는 동작.
- 빔 보고(beam report): UE가 빔 측정에 기반하여 빔 형성된 신호의 정보를 보고하는 동작.
BM 절차는 (1) SS(synchronization signal)/PBCH(physical broadcast channel) Block 또는 CSI-RS를 이용하는 DL BM 절차와, (2) SRS(sounding reference signal)을 이용하는 UL BM 절차로 구분할 수 있다.
또한, 각 BM 절차는 Tx beam을 결정하기 위한 Tx beam sweeping과 Rx beam을 결정하기 위한 Rx beam sweeping을 포함할 수 있다.
빔 관리 방법의 진화
Rel-15 및 Rel-16 빔 관리
<Background - 기지국의 단말 수신빔 설정/지시 및 단말 송신빔 설정/지시>
(Rel-15) NR에서 도입된 QCL(Quasi Co-Located) 개념을 활용하여 기지국이 단말에게 PDCCH 및 PDSCH의 수신할 때 (더 정확하게는 PDCCH 및 PDSCH의 DMRS를 수신할 때) 활용할 수신 빔(i.e., spatial Rx parameter)을 configuration/indication하기 위해 TCI state가 활용되고, 해당 TCI state를 통해 QCL Type-D 성분의 reference RS 혹은 source RS로써 DL reference signal(e.g., SSB-RI, CRI(P/SP/AP))을 설정/update해줌으로써 PDCCH 혹은 PDSCH 수신 시 reference로써 설정된 DL RS를 수신했을 시의 수신 빔을 활용하도록 지시할 수 있다.
또한, Rel-15 NR에서는 기지국이 단말에게 UL channel을 송신할 때 활용할 송신 빔을 configure/indication하기 위해 spatialRelationInfo가 활용될 수 있다. 기지국은 RRC 설정 및/또는 MAC CE activation을 통해 target UL channel 및/또는 target RS에 대한 reference RS로써 DL reference signal(i.e., SSB-RI, CRI(P/SP/AP)) 또는 SRS(i.e., SRS resource)를 설정/update해줌으로써 PUCCH 및 SRS를 전송할 때 어떠한 UL 송신 빔(i.e., spatial Tx parameter)을 활용할지 설정/지시할 수 있다. 또한, 기지국이 단말에게 PUSCH를 scheduling할 때, 기지국에 의해 설정/update/지시되어 (CB 혹은 NCB 용도의) SRS 전송에 활용된 송신 빔은 UL grant DCI의 SRI field를 통해 PUSCH를 위한 송신 빔으로 지시되어 단말의 PUSCH 전송 빔으로 쓰이게 된다.
<Background - 단말의 수신/송신빔에 대한 update>
Rel-15 NR에서는 target DL RS/channel을 위한 수신빔 설정/지시를 위해 TCI state configuration이 활용되고, target DL RS/channel이 CSI-RS인 경우 RRC/MAC CE level로 (TCI state pool 내에서 TCI state ID 설정을 통해) QCL type-D RS를 설정해줌으로써 단말 수신빔 설정이 가능하고, target DL RS/channel이 PDCCH인 경우 특정 CORESET에 최대 64개의 TCI state ID를 설정 후 MAC CE를 통해 특정 TCI state ID를 indication해주어 단말 수신빔 설정이 가능하며 동일 MAC CE massage를 통해 해당 CORESET의 수신빔 update가 가능하다. 또한, PDSCH 수신빔의 경우 (최대 128개 TCI state pool 내에서) 최대 8개의 TCI state ID를 DL DCI의 TCI state field에 MAC CE를 통해 연결함으로써 DL scheduling 시 TCI 지시를 통해 PDSCH 수신빔 지시가 가능하고, 동일 MAC CE massage를 통해 TCI state field에 연결된 TCI state ID를 update함으로써 PDSCH 수신빔 update가 가능하다.
Rel-16 NR에서는 DL 수신빔 설정/지시의 overhead를 줄이기 위해, MAC CE message를 통해 PDCCH 및 PDSCH에 대해 multiple CC(BWP)에 있어서 simultanuous한 TCI state ID activation을 가능하게 하는 기지국 단말 간 동작이 enhance되었다.
Rel-15 NR에서는 PUCCH의 송신빔 설정/지시를 위해 각 PUCCH resource에 대해 MAC CE message를 통해 PUCCH-SpatialRelationInfoId를 연결함으로써 송신빔 설정이 가능하고, 동일 MAC CE message를 통해 PUCCH-SpatialRelationInfo에 대한 MAC level update가 가능하다. 또한 SRS의 경우 SP-SRS에 대해 SRS의 전송을 activation하는 MAC CE message를 통해 해당 semi-persistent SRS resource set 내 SRS resource들의 SRS-SpatialRelationInfo를 update가능하다.
Rel-16 NR에서는 UL 송신빔 설정/지시의 latency를 줄이기 위해, AP-SRS에 대해 MAC CE message를 통해 해당 aperiodic SRS resource set 내 SRS resource들의 SRS-SpatialRelationInfo의 update가 가능하도록 기지국 단말 간 동작이enhance되었다. 또한, DL 수신빔과 마찬가지로 MAC CE message를 통해 SP-SRS와 AP-SRS에 대해 multiple CC(BWP)에 있어서 simultanuous한 spatial relation reference RS의 update가 가능하도록 기지국 단말 간 동작이 enhance되었다. 더하여, PUCCH resource group(per BWP)이라는 개념을 도입하여 해당 PUCCH resource group 내에 있는 PUSCH resource들에 대해 simultanuous한 spatial relation update가 가능하도록 기지국 단말 간 동작이 enhance되었다.
Rel-17 빔 관리
NR Rel-15/Rel-16에서는 기지국-단말 간의 수신/송신을 위한 beam indication/update 동작을 위해 RRC 및 MAC CE와 같은 상위계층 signaling이 주로 쓰이고, 일부 channel/RS(PDSCH, PUSCH)등을 위해 DCI based beam indication 동작이 지원되었다. Rel-17에서는 joint DL/UL TCI state 및 separate DL/UL TCI state를 활용한 dynamic beam update 동작을 도입하여, 기지국은 DCI를 활용하여 단말 복수 개의 특정 channel/RS 조합에 대해 common하게 one beam으로 indication/update를 수행하는 단말 common beam update 동작에 대해 표준화를 진행하였다. Common beam update의 target channel/RS로는 DL의 경우 UE-dedicated CORESET, UE-dedicated reception on PDSCH, UL의 경우 DG/CG-PUSCH, all or subset of dedicated PUCCH가 있고, 추가적으로 AP CSI-RS for tracking/BM, SRS가 target channel/RS로 설정될 수 있다.
더하여, 단말의 panel-specific UL transmission을 지원하기 위한 방법으로, 아래와 같이 panel-related 정보에 대한 UE capability reporting 및 beam reporting 동작에 대해 표준 논의가 진행되었다. 아래 두 agreement에 따르면, 하나의 feature는 working assumption으로 합의한 내용에 해당하는 것으로 UE capability value set index(이하 줄여서 C-ID라 함)라는 것을 정의해서 단말이 몇 개의 C-ID를 갖고 있는 지를 단말에게 UE capability 보고로서 보고하게 된다. 현재까지 합의된 C-ID에 포함될 속성은 각 C-ID마다 단말이 지원하는 최대 SRS port 수이다. 즉, C-ID는 상이한 SRS port수를 가진 패널(들)에 대해서만 정의된다. 다른 하나의 feature는 agreement로 캡쳐된 바와 같이 상기 UE capability로서 보고한 C-ID를 beam report에 포함하여 (순시적/주기적으로) 보고하는 동작이다. 이하 편의상 이러한 진화된 보고 방식을 'panel-specific beam report'라 명칭하겠다. Panel-specific beam report가 설정/지시되면 단말은 기존 beam report 를 설정/지시 받은 경우, (단말 Rx panel과 무관하게) 가장 좋은 N개(N은 1내지 4이하의 값으로 기지국이 설정하는 값)의 기지국 Tx beam과 관련된 RS index(즉, CRI 혹은 SSBRI)들을 해당 RS의 수신 품질값인 L1-RSRP 혹은 L1-SINR값과 함께 기지국으로 보고하게 된다. Panel-specific beam report방식은 상기 CRI/SSBRI(들)과 관련한 L1-RSRP/L1-SINR(들)과 더불어 (각 CRI/SSBRI에 대한) 최적의 C-ID를 보고하게 된다. 여기서, 각 CRI/SSBRI마다 C-ID를 개별적으로 보고하는 모드 및/또는 전체 CRI/SSBRI에 대해서 단일 C-ID를 보고하는 모드를 지원할 예정이다.
Figure PCTKR2023005695-appb-img-000001
추가적으로, NR Rel-15/Rel-16에서 기지국의 단말에 대한 power control 설정/지시는 UL channel/RS(i.e., PUSCH, PUCCH, SRS)별 설정에 의해 수행되는데, 상기와 같이 Rel-17에 있어서 unified TCI(e.g., joint and/or separate DL/UL TCI state를 통해 DL/UL 수/송신빔을 지시할 수 있도록 enhance되면서 TCI state 설정/지시와 함께 UL power control parameter도 설정/지시하는 방법에 대해 논의되었다(아래 agreement 참조).
Figure PCTKR2023005695-appb-img-000002
Figure PCTKR2023005695-appb-img-000003
상기에서, pathloss reference RS(이하 PL-RS)에 대해서는 joint TCI state and/or UL TCI state에 associate되거나 include될 수 있도록 표준화가 진행되었다(association/include에 대해서는 RAN2에서 결정). 또한, PL-RS를 제외한 power control parameters(P0, alpha, closed-loop index)에 대해서는 joint TCI state and/or UL TCI state에 associate될 수 있도록 표준화가 진행되었다. 즉, Rel-17 MIMO 표준화로 인해 기지국은 단말의 특정 target DL/UL channel/RS에 대한 UL 송신빔을 joint and/or separate UL TCI state을 통해 설정/지시하면서 송신 전력 결정에 필요한 power control parameter들을 함께 설정/지시할 수 있다.
AI/ML for wireless communication
도 1은 본 개시에 적용 가능한 시스템에서 딥러닝(deep learning) 기반 인공지능(artificial intelligence, AI) 관련 개념의 일례를 도시한 도면이다.
AI/ML (Artificial intelligence / machine learning)의 기술 발전으로 무선 통신 네트워크를 구성하는 노드(들) 및 단말(들)의 지능화/고도화가 이루어지고 있으며, 특히 네트워크/기지국의 지능화로 인해 다양한 환경 파라미터(e.g. 기지국들의 분포/위치, 건물/가구 등의 분포/위치/재질, 단말들의 위치/이동방향/속도, 기후 정보 등)에 따라 다양한 네트워크/기지국 결정 파라미터값들(e.g. 각 기지국의 송수신 전력, 각 단말의 송신 전력, 기지국/단말의 precoder/beam, 각 단말에 대한 time/frequency resource allocation, 각 기지국의 duplex 방식 등)을 빠르게 최적화하여 도출/적용할 수 있게 될 전망이다. 이러한 추세에 맞추어, 많은 표준화 단체 (e.g., 3GPP, O-RAN)에서 도입을 고려하고 있으며, 이에 대한 study도 활발히 진행 중이다.
AI/ML을 좁은 의미로 Deep learning (deep learning) 기반의 인공지능로 쉽게 일컬을 수 있으나, 개념적으로는 다음 표와 같다.
(1) 인공지능 (Artificial Intelligence): 사람이 해야 할 일을 기계가 대신할 수 있는 모든 자동화에 해당
(2) 머신러닝 (Machine Learning): 명시적으로 규칙을 프로그래밍하지 않고, 데이터로부터 의사결정을 위한 패턴을 기계가 스스로 학습
(3) 딥러닝 (Deep Learning): 인공 신경망 기반의 모델로, 비정형 데이터로부터 특징 추출 및 판단까지 기계가 한 번에 수행, 알고리즘은 생물학적 신경계, 즉 신경망에서 영감을 받은 특징 추출 및 변환을 위해 상호 연결된 노드로 구성된 다층 네트워크에 의존합니다. 일반적인 딥 러닝 네트워크 아키텍처에는 심층 신경망(DNN), 순환 신경망(RNN) 및 컨볼루션 신경망(CNN)이 포함됩니다.
다양한 기준에 따른 AI/ML의 유형
(1) 오프라인 vs 온라인
(1-1) Offline Learning
(1-1-1) 오프라인 학습은 데이터 베이스 수집, 학습, 예측이라는 순차적인 절차를 충실히 따르며, 즉, 수집과 학습을 오프라인으로 수행하고, 완성된 프로그램을 현장에 설치하여 예측 작업에 활용할 수 있다. 대부분 상황에서 이와 같은 오프라인 학습 방식을 사용한다.
(1-2) Online Learning
(1-2-1) 최근 학습에 활용할 수 있는 데이터가 인터넷을 통해 지속적으로 발생하는 점을 활용하여, 추가적으로 발생한 데이터를 가지고 점증적으로 추가 학습하여 성능을 조금씩 개선하는 방식을 온라인 학습이라 한다.
(2) AI/ML Framework 개념에 따른 분류
(2-1) Centralized Learning
(2-1-1) Centralized learning에서는 서로 다른 복수의 노드들에서 모아진(collected) training data를 centralized node에 보고를 하게되면, 모든 data 자원/storage/learning(e.g., supervised, unsupervised, reinforcement learning)등이 하나의 centralized node에서 수행되게 된다.
(2-2) Federated Learning
(2-2-1) Federated learning은 collective 모델이 각기 분산되어있는 data owner들에 걸쳐서 있는 data를 기반으로 구성이 된다. 데이터를 모델로 가져오는 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 없습니다. Federated learning 에서 AI/ML 모델의 매개변수/가중치는 일반 모델 교육을 지원하기 위해 centralized node 로 다시 보내면 된다. Federated learning의 장점은 연산 속도의 증가와, 정보 보안 측면에서의 우수성을 들 수 있다. 즉, 개인 데이트를 중앙 서버에 업로드하는 과정이 불필요하여, 개인정보 유출 및 악용을 방지할 수 있다.
(2-3) Distributed Learning
(2-3-1) Distributed learning은 기계 학습 프로세스가 노드 클러스터 전체에 확장 및 배포된 개념을 나타낸다. 훈련 모델은 모델 훈련의 속도를 높이기 위해 분할되어 동시에 작동하는 여러 노드에서 공유된다.
(3) 학습 방법에 따른 분류
(3-1) Supervised Learning
(3-1-1) 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 있습니다. 지도 학습의 예는 다음과 같다.
(3-1-1-1) Regression: Linear Regression, Logistic Regression
(3-1-1-2) Instance-based Algorithms: k-Nearest Neighbor (KNN)
(3-1-1-3) Decision Tree Algorithms: CART
(3-1-1-4) Support Vector Machines: SVM
(3-1-1-5) Bayesian Algorithms: Naive Bayes
(3-1-1-6) Ensemble Algorithms: Extreme Gradient Boosting, Bagging: Random Forest
(3-1-2) 지도 학습은 회귀 및 분류 문제로 더 그룹화할 수 있으며, 분류는 레이블을 예측하는 것이고 회귀는 수량을 예측하는 것이다.
(3-2) Unsupervised Learning
(3-2-1) 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), 비선형 독립 성분 분석(ICA) 및 LSTM등이 있다.
(3-3) Reinforcement Learning
(3-3-1) 강화 학습(RL)에서 에이전트는 시행착오 과정을 기반으로 환경과 상호 작용하여 장기 목표를 최적화하는 것을 목표로 하며, 환경과의 상호작용을 기반으로 한 목표 지향적 학습이다. 아래는 몇 가지 RL 알고리즘의 예제이다.
(3-3-1-1) Q-learning
(3-3-1-2) Multi-armed bandit learning
(3-3-1-3) Deep Q Network
(3-3-1-4) State-Action-Reward-State-Action (SARSA)
(3-3-1-5) Temporal Difference Learning
(3-3-1-6) Actor-critic reinforcement learning
(3-3-1-7) Deep deterministic policy gradient
(3-3-1-8) Monte-Carlo tree search
(3-3-2) 강화 학습은 추가로 모델 기반 강화 학습과 모델 자유 강화 학습으로 그룹화할 수 있음.
(3-3-3) Model-based 강화 학습: 예측 모델을 사용하는 RL 알고리즘, 환경의 다양한 동적 상태 및 이러한 상태가 보상으로 이어지는 모델을 사용하여 상태 간 전환 확률을 얻음.
(3-3-4) Model-free 강화학습: 최대의 미래 보상을 달성하는 가치 또는 정책에 기반한 RL 알고리즘. 다중 에이전트 환경/상태에서는 계산적으로 덜 복잡하고 환경을 정확하게 표현할 필요가 없음.
(3-3-5) RL 알고리즘은 또한 가치 기반 RL 대 정책 기반 RL, 정책 기반 RL 대 정책 외 RL 등으로 분류될 수 있음.
딥러닝의 대표 모델은 FFNN(feed-forward neural network), RNN(recurrent neural network), CNN(convolution neural network), 오토 인코더(auto encoder)가 있다.
도 2은 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 FFNN(feed-forward neural network)의 구조의 일례를 도시한 도면이다.
1. FFNN (Feed-Forward Neural Network)
입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성
도 3은 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 RNN(recurrent neural network)의 구조의 일례를 도시한 도면이다.
2. RNN(Recurrent Neural Network)
RNN은 히든 노드가 방향을 가진 엣지로 연결돼 순환구조를 이루는(directed cycle) 인공신경망의 한 종류임. 음성, 문자 등 순차적으로 등장하는 데이터 처리에 적합한 모델임.
상기 RNN의 하나의 종류로 LSTM (Long Short-Term Memory)이 있으며, 이는 RNN의 히든 state에 cell-state를 추가한 구조임.
- RNN cell에 입력 게이트, 망각 게이트, 출력 게이트가 추가
- 셀 상태(cell state)가 추가
도 4는 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 CNN(convolution neural network)의 구조의 일례를 도시한 도면이다.
CNN은 영상 처리나 이미지 처리 분야에서 일반적으로 사용하는 convolution 연산을 적용하여, 모델 복잡도를 낮추고, 좋은 특징을 추출하는 두 가지 목적을 위해 사용함
- 커널(kernel) 또는 필터(filter): 특정 범위/단위의 입력에 가중치를 적용하는 단위/구조
- 스트라이드(stride): 입력 안에서 커널을 움직이는 이동 범위
- 특성 맵(feature map): 입력에 커널을 적용한 결과
- 패딩(padding): 특성 맵의 크기를 조절하기 위해 덧붙이는 값
- 풀링(pooling): 특성 맵을 다운샘플링하여 특성 맵의 크기를 줄이기 위한 연산 (e.g., max pooling, average pooling)
도 5은 본 개시에 적용 가능한 시스템에서 딥러닝 모델의 예시로서 오토 인코더(auto encoder)의 구조의 일례를 도시한 도면이다.
- Feature vector x를 입력 받아서, 동일한 or 유사한 vector x’를 출력하는 neural network을 말함
- 입력 노드와 출력노드가 같은 특징을 가짐
- Unsupervised learning의 일종
- Loss function:
Figure PCTKR2023005695-appb-img-000004
도 6은 본 개시에 적용 가능한 시스템에서 RAN(radio access network) 인텔리전스를 위한 기능적 프레임워크의 구조의 일례를 도시한 도면이다.
AI/ML에 대한 설명을 위하여 다음을 정의할 수 있으며, 하기 정의는 3GPP TS37.817에서 비롯된다.
용어:
(1) 데이터 수집: ML 모델 교육, 데이터 분석 및 추론을 위한 기반으로 네트워크 노드, 관리 엔티티 또는 UE에서 수집된 데이터이다.
(2) ML 모델: 일련의 입력을 기반으로 예측 정보로 구성된 일련의 출력을 생성하는 기계 학습 기술을 적용한 데이터 기반 알고리즘
(3) ML 교육: 데이터를 가장 잘 나타내는 기능과 패턴을 학습하고 추론을 위해 훈련된 ML 모델을 가져와 ML 모델을 교육하는 온라인 또는 오프라인 프로세스이다.
(4) ML 추론: 학습된 ML 모델을 사용하여 수집된 데이터 및 ML 모델을 기반으로 예측하거나 결정을 안내하는 프로세스이다.
(Term:
(1) Data collection: Data collected from the network nodes, management entity or UE, as a basis for ML model training, data analytics and inference.
(2) ML Model: A data driven algorithm by applying machine learning techniques that generates a set of outputs consisting of predicted information, based on a set of inputs
(3) ML Training: An online or offline process to train an ML model by learning features and patterns that best present data and get the trained ML model for inference.
(4) ML Inference: A process of using a trained ML model to make a prediction or guide the decision based on collected data and ML model.)
(1) 데이터 수집은 모델 학습 및 모델 추론 기능에 입력 데이터를 제공하는 기능이다. AI/ML 알고리즘별 데이터 준비(예를 들어, 데이터 전처리 및 정리, 서식 지정 및 변환)는 데이터 수집 기능에서 수행되지 않는다.
입력 데이터의 예에는 UE 또는 다른 네트워크 엔터티의 측정, Actor의 피드백, AI/ML 모델의 출력이 포함될 수 있다.
(1-1) 학습 데이터: AI/ML 모델 학습 기능을 위한 입력으로 필요한 데이터.
(1-2) 추론 데이터: AI/ML 모델 추론 기능을 위한 입력으로 필요한 데이터.
((1) Data Collection is a function that provides input data to Model training and Model inference functions. AI/ML algorithm specific data preparation (e.g., data pre-processing and cleaning, formatting, and transformation) is not carried out in the Data Collection function.
Examples of input data may include measurements from UEs or different network entities, feedback from Actor, output from an AI/ML model.
(1-1) Training Data: Data needed as input for the AI/ML Model Training function.
(1-2) Inference Data: Data needed as input for the AI/ML Model Inference function.)
(2) 모델 훈련은 모델 테스트 절차의 일부로 모델 성능 메트릭을 생성할 수 있는 ML 모델 훈련, 검증 및 테스트를 수행하는 기능이다. 모델 훈련 기능은 필요한 경우 데이터 수집 기능에서 제공하는 교육 데이터를 기반으로 데이터 준비(예를 들어, 데이터 전처리 및 정리, 서식 지정 및 변환)도 담당한다.
(2-1) 모델 배포/업데이트: 훈련, 검증 및 테스트된 AI/ML 모델을 모델 추론 기능에 초기 배포하거나 업데이트된 모델을 모델 추론 기능에 전달하기 위해 사용된다.
(2-1-1) 참고: 모델 배포/업데이트 프로세스의 세부 사항과 이 프로세스를 통해 전송된 사용 사례 특정 AI/ML 모델은 RAN3 Rel-17 연구 범위를 벗어난다. RAN3 Rel-17 연구에서는 단일 공급업체 또는 다중 공급업체 환경에 대한 실현 가능성이 연구되지 않았습니다.
((2) Model Training is a function that performs the ML model training, validation, and testing which may generate model performance metrics as part of the model testing procedure. The Model Training function is also responsible for data preparation (e.g. data pre-processing and cleaning, formatting, and transformation) based on Training Data delivered by a Data Collection function, if required.
(2-1) Model Deployment/Update: Used to initially deploy a trained, validated, and tested AI/ML model to the Model Inference function or to deliver an updated model to the Model Inference function.
(2-1-1) Note: Details of the Model Deployment/Update process as well as the use case specific AI/ML models transferred via this process are out of RAN3 Rel-17 study scope. The feasibility to single-vendor or multi-vendor environment has not been studied in RAN3 Rel-17 study.)
(3) 모델 추론은 AI/ML 모델 추론 출력(예를 들어, 예측 또는 결정)을 제공하는 기능입니다. 모델 추론 기능은 해당되는 경우 모델 훈련 기능에 모델 성능 피드백을 제공할 수 있다. 모델 추론 기능은 필요한 경우 데이터 수집 기능에서 전달한 추론 데이터를 기반으로 데이터 준비(예: 데이터 전처리 및 정리, 서식 지정 및 변환)도 담당한다.
(3-1) 출력: 모델 추론 함수에 의해 생성된 AI/ML 모델의 추론 출력.
(3-1-1) 참고: 추론 출력의 세부 사항은 사용 사례에 따라 다르다.
(3-2) 모델 성능 피드백: AI/ML 모델의 성능을 모니터링하는 데 사용할 수 있다.
(3-2-1) 참고: 모델 성능 피드백 프로세스의 세부 사항은 RAN3 범위를 벗어난다.
((3) Model Inference is a function that provides AI/ML model inference output (e.g. predictions or decisions) . Model Inference function may provide model performance feedback to Model Training function when applicable. The Model inference function is also responsible for data preparation (e.g. data pre-processing and cleaning, formatting, and transformation) based on Inference Data delivered by a Data Collection function, if required.
(3-1) Output: The inference output of the AI/ML model produced by a Model Inference function.
(3-1-1) Note: Details of inference output are use case specific.
(3-2) Model Performance Feedback: It may be used for monitoring the performance of the AI/ML model.
(3-2-1) Note: Details of the Model Performance Feedback process are out of RAN3 scope.)
(4) 액터(Actor)는 Model 추론 함수의 출력을 받아 해당 동작을 트리거하거나 수행하는 함수이다. 액터는 다른 엔터티 또는 자신을 향한 작업을 트리거할 수 있다.
(4-1) 피드백: 학습 또는 추론 데이터 또는 성능 피드백을 도출하는 데 필요할 수 있는 정보.
((4) Actor is a function that receives the output from the Model inference function and triggers or performs corresponding actions. The Actor may trigger actions directed to other entities or to itself.
(4-1) Feedback: Information that may be needed to derive training or inference data or performance feedback.)
Data Set
AI/ML에서 사용되는 Data set에서 Training / validation / test에 대한 정의는 다음과 같이 나눌 수가 있다.
(1) Training data
(1-1) 모델을 학습하기 위한 Data set
(2) Validation data
(2-1) 학습이 이미 완료된 모델을 검증하기 위한 Data set
(2-1-1) 보통 training data set의 over-fitting을 방지하기 위해서 사용되는 data set임.
(2-2) 학습하는 과정에서 학습된 여러 가지 모델 중 best를 선택하기 위한 Data set
(2-2-1) 따라서, 학습의 일종으로 볼 수 있음
(3) Test data
(3-1) 최종 평가를 위한 Data set
(3-1-1) 학습과 무관함
상기 data set의 경우, 보통 training set을 나눈다면, 전체 training set 내에서 training data 과 validation data를 8:2 or 7:3 정도로 나누어 사용하며, test까지 포함을 한다면, 6:2:2 (training: validation: test)를 나누어 사용한다.
협업 수준(Collaboration level)
기지국과 단말사이의 AI/ML function의 capable여부에 따라 협력레벨을 다음과 같이 정의할 수 있으며, 하기 레벨의 결합 혹은 분리로 인한 변형도 가능하다.
Cat 0a) 협업 프레임워크 없음: AI/ML 알고리즘은 순전히 구현 기반이며 무선 인터페이스 변경이 필요하지 않다.
기준선(Baseline)
Cat 0b) 효율적인 구현 기반 AI/ML 알고리즘을 제공하는 수정된 무선 인터페이스가 있는 협업 프레임워크가 없다.
범주 1) 각 노드의 AI/ML 알고리즘을 개선하기 위한 노드 간 지원. 이것은 gNB로부터 지원을 받는 UE(훈련, 적응 등)에 적용되며 그 반대의 경우도 마찬가지입니다. 이 수준에서는 네트워크 노드 간의 모델 교환이 필요하지 않다.
Cat 2) UE와 gNB 간의 공동 ML 작업. 이 수준은 네트워크 노드 간의 AI/ML 모델 지침 또는 교환이 필요하다.
(Cat 0a) No collaboration framework: AI/ML algorithms purely implementation based and not requiring air-interface changes.
Baseline
Cat 0b) No collaboration framework with modified Air-Interface catering to efficient implementation-based AI/ML algorithms.
Cat 1) Inter-node assistance to improve the respective nodes’ AI/ML algorithms. This would apply to UEs getting assistance from gNBs (for training, adaptation, etc.) and vice-versa. This level does not require model exchange between network nodes.
Cat 2) Joint ML operation between UEs and gNBs. This level requires AI/ML model instruction or exchange between network nodes.)
본 개시의 다양한 실시 예들의 구성
3GPP Rel-18 표준화에서는 AI(Artificial Intelligence)/ML(Machine learning)을 활용한 기지국 단말 간 통신에 있어서의 성능 향상을 목표로 study를 진행할 예정이다. AI/ML을 활용하여 성능 향상을 평가해볼 use case는 주로 CSI reporting, beam management, positioning 세가지로 상정되었다. (아래 Rel-18 AI/ML SI objective 참조) 특히 beam management에서는, beam prediction in time, and/or spatial domain for overhead and latency reduction, beam selection accuracy improvement에 대해 sub use case를 상정하고 있다.
Figure PCTKR2023005695-appb-img-000005
Figure PCTKR2023005695-appb-img-000006
Figure PCTKR2023005695-appb-img-000007
기지국 단말 간 AI/ML-based 동작의 유형을 나열하자면 기지국 AI/ML, 단말 AI/ML, 기지국 단말 간 joint AI/ML 동작으로 간단하게 나눌 수 있다. 본 특허에서는, AI/ML-based beam management에 있어서 주로 기지국 AI/ML의 input parameter로써 활용될 수 있는 정보를 단말이 reporting하는 방법과 단말 AI/ML을 통한 beam reporting 방법에 대해 기술한다.
본 개시에서는 AI/ML-based beam management를 위한 단말의 beam reporting 동작을 제안한다.
본 개시에서 ‘/’는 문맥에 따라 ‘and’, ‘or’, 혹은 ‘and/or’로 해석될 수 있다.
제안 1. 단말은 legacy L1-RSRP/SINR-based beam reporting에 추가적으로/별도로, 특정 beam reporting을 위한 CSI resource config 내 CRI/SSBRI들에 있어서 L1-RSRP/SINR 값의 slope에 기반하여 (e.g., L1-RSRP/SINR 값의 단위 시간 당 미분값에 기반하여) slope/미분값이 큰 best beam 관점 또는/및 threshold 이상의 slope/미분값을 가지는 beam 관점에서 best CRI/SSBRI(s) reporting을 수행할 수 있다. 상기 slope/미분값에 대한 beam reporting은 legacy beam reporting instance에 추가적인 payload로써 기지국에 보고되거나(e.g., CRI/SSBRI + 해당 CRI/SSBRI의 RSRP/SINR value + 해당 CRI/SSBRI의 slope/미분값), 별도 beam reporting configuration을 통해 독립적으로 기지국에 보고되거나 할 수 있다. 더하여, slope/미분값을 기준으로 best beam을 선택/보고할 경우 RSRP/SINR의 절대값이 작지만 기울기만 좋은 빔이 선택되어 보고될 수 있기 때문에, 단말은 특정 CRI/SSBRI에 대한 L1-RSRP/SINR의 절대값과 기울기를 모두 고려한 metric을 정의/설정하여 사용하는 방법(e.g., w1*RSRP/SINR + w2*slope_RSRP/SINR이 최대가 되는 beam을 선택)에 대해 제안한다. 또는/및, 단말은 RSRP/SINR의 절대값을 기준으로 N1개의 빔을 선택하고 slope기준으로 N2개의 빔을 선택해서 총 N1+N2개의 빔 ID 및 관련 품질 정보(N1개에 대해서는 RSRP/SINR value, N2 개에 대해서는 slope/미분값)를 함께 보고할 수 있다.
상기 beam reporting을 위한 reportQuantity가 새로이 도입될 수 있다.
상기 slope/미분값은 순시적인 L1-RSRP/SINR을 y(x)라는 시간을 변수로 하는 함수로 표현하였을 때, (y(t2) - y(t1)) / (t2 - t1)로 표현될 수 있다.
상기 slope/미분값을 계산하기 위한 단위 시간(and/or 상기 일례에서 t1과 t2) 또는/및 절대값과 기울기를 모두 고려하기 위한 metric에서의 w1/w2는 specification에 규정/정의되거나 기지국 설정에 의해 설정/지시될 수 있다.
상기 slope/미분값을 활용한 best beam reporting은 기지국이 해당 단말에 대한 DL serving beam을 결정하기 위해 별도의 가공과정 없이 기지국 측에서 활용되거나, 기지국 측에서 미래 DL serving beam 예측(prediction)을 위한 AI/ML function의 input parameter 중 하나로 활용되거나 할 수 있다. 즉, AI/ML function을 구비하고 있지 않은 (혹은 구비하고 있는) 기지국이 상기 단말 beam reporting을 설정 및 수신할 경우, 해당 beam reporting은 특정 beam의 RSRP/SINR 값이 증가하고 있다는 정보를 담고 있기 때문에 즉각적으로 해당 reported best beam들 중 적어도 하나를 DL 전송/수신을 위한 DL beam으로 설정/지시할 수 있다. 또는/및, AI/ML function을 구비하고 있는 기지국은 미래 DL serving beam 예측을 위해 AI/ML function을 구동 시 상기 beam reporting 정보를 입력 파라미터 중 하나로 적용하여 단말 serving beam 예측에 활용할 수 있다. 이후 예측된 serving beam 정보에 기반하여 기지국은 DL 전송/수신을 위한 DL beam을 단말에게 설정/지시할 수 있다.
상기 제안 1의 beam reporting 동작에 있어서 L1-RSRP/SINR 값이 활용되는 것이 아닌 L3 filtered RSRP 값이 활용될 수 있다. 즉, L3에서 filtering된 RSRP 값의 경향성(e.g., slope/미분값)이 좋은 beam에 대해 단말은 best beam reporting을 수행할 수 있다. Higher layer에서의 layer 3 filtering은 아래 표와 같은 procedure에 의해 수행된다. 하기 formula에서 a 값은 기지국 RRC 설정에 의해 configure되는데, 추가적인 실시예로, beam measurement quantity에 대한 L3 filtering을 기지국 AI/ML 또는/및 단말 AI/ML을 통해 수행하는 방법을 제안한다. 기지국은 AI/ML을 통해 최적의 a 값을 단말에게 설정할 수 있고, 또는/및 단말은 아래와 같은 formula를 활용하여 L3 filtering을 수행하는 것이 아닌 AI/ML function을 통해 특정 beam measurment quantity에 대한 (해당 beam measurement(s)를 input parameter로 활용한) filter output을 계산하여 설정/적용할 수 있겠다.
Figure PCTKR2023005695-appb-img-000008
제안 2. 단말은 legacy L1-RSRP/SINR-based beam reporting에 추가적으로/별도로, 과거의 특정 time instance(s) 또는/및 미래의 time instance(s)에 대한 best beam reporting을 수행할 수 있다. 즉, 단말은 beam reporting payload에 있어서 CRI/SSBRI와 L1-RSRP/SINR 값을 보고할 시 각 time stamp별 best CRI/SSBRI(s)와 L1-RSRP/SINR 값을 보고할 수 있다. E.g., ... t-2: CRI1, -76 dBm, t-1: CRI1, -68 dBm, t: CRI3, -70 dBm, t+1: CRI3, -72 dBm, t+2: CRI3, -66 dBm, ... . 상기 보고에 있어서 각 time stamp 별 복수 개의 CRI/SSBRI에 대한 beam reporting이 수행될 경우, 각 time stamp의 best CRI/SSBRI의 RSRP(/SINR) 값은 7-bit value in the range [-140, -44](/[-23, 40]) dBm with 1(/0.5)dB step size로 표현되고 나머지 CRI/SSBRI의 RSRP(/SINR) 값은 computed with 2 dB(/1 dB) step size with a reference to the largest measured L1-RSRP(/SINR) value which is part of the same L1-RSRP(/SINR) reporting instance에 의해 표현될 수 있다. 다른 예로, time stamp로 측정값/예측값을 보고하는 방법 외에, 단말은 측정값/예측값에 대한 변화량을 function 형태로 표현하여 보고할 수 있다. 예를 들어, tailor series를 이용하여, 특정 t에서의 변화량 값을 y(t) = f(t0) + f(t0)’*(t-t0) + 0.5*f(t0)’’*(t-t0)^2…과 같이 표현하고 계산하여 가장 변화량이 좋은 빔들에 대해 보고할 수 있다. 여기서 f(a)는 변화량에 대한 함수일 수 있다. 이러한 보고에 추가적으로, 특정 reference time(t0)에서의 변화량 측정을 위해 활용한 0차, 1차, 2차, ...(if needed)의 계수들을 단말이 보고할 수 있다.
다른 예로, time stamp로 측정값/예측값을 보고하는 방법 외에, 단말은 측정값/예측값에 대한 변화량을 function 형태로 표현하여 보고할 수 있다. 예를 들어, tailor series를 이용하여, 특정 t에서의 변화량 값을 y(t) = f(t0) + f(t0)’*(t-t0) + 0.5*f(t0)’’*(t-t0)^2…과 같이 표현하고 계산하여 가장 변화량이 좋은 빔들에 대해 보고할 수 있다. 여기서 f(a)는 변화량에 대한 함수일 수 있다. 이러한 보고에 추가적으로, 특정 reference time(t0)에서의 변화량 측정을 위해 활용한 0차, 1차, 2차, ...(if needed)의 하나 이상의 계수를 단말이 보고할 수 있다. 즉, 변화량/변화율을 표현하기 위한 다항식 내 하나 이상의 계수를 단말이 보고할 수 있다.
상기 제안 2의 beam reporting에 있어서 time stamp 간의 시간 단위와 보고할 time stamp의 개수 등은 specification에 규정/정의되거나 기지국 설정에 의해 설정/지시될 수 있다.
상기 제안 2의 beam reporting에 있어서 미래 시점의 instance(s)에 대한 best beam 보고는 제안 1에서 기술된 단말에서 측정한 RSRP/SINR 경향성에 기반하여 best beam을 결정하거나, 단말 측 AI/ML function이 있을 경우 단말 AI/ML 계산에 기반하여 best beam을 결정하거나 할 수 있다.
상기 제안 2의 time stamp 별 best beam reporting은 기지국이 해당 단말에 대한 DL serving beam을 결정하기 위해 별도의 가공과정 없이 기지국 측에서 활용되거나, 기지국 측에서 미래 DL serving beam 예측(prediction)을 위한 AI/ML function의 input parameter 중 하나로 활용되거나 할 수 있다.
상기 제안 1 내지 제안 2의 실시예들은 적어도 하나 이상의 조합에 의해 기지국 단말 간 동작에 활용될 수 있다.
본 개시의 다양한 실시 예들의 시그널링 절차
전술한 실시예들 중 적어도 하나(예: 제안 1 내지 제안 2 중 적어도 하나)에 기반하는 단말(또는 기지국) 동작의 일 예는 다음과 같다.
1) beam measurement and reporting 관련 설정 정보 수신(전송)
상기 설정 정보는 제안 1 내지 제안 2에 기반할 수 있음
2) beam 설정에 기반한 candidate beam들의 수신(전송) 및 품질 측정
3) 단말은 candidate beam들에 대한 수신/측정을 기반으로 best beam에 대한 beam reporting을 전송(수신)
상기 best beam 측정/결정은 제안 1 내지 제안 2에 기반할 수 있음
상기 단말/기지국 동작은 일 예시일 뿐, 각 동작(내지 step)이 반드시 필수적인 것은 아니며 단말/기지국 구현 방식에 따라 전술한 실시예들에 따른 단말의 beam measurement and reporting과 관련된 동작이 생략되거나 추가될 수 있다.
구현적인 측면에서 상술한 실시예들에 따른 기지국/단말의 동작(예: 제안 1 내지 제안 1 중 적어도 하나에 기반하는 단말의 beam measurement and reporting과 관련된 동작)들은 후술할 도 34의 장치(예: 도 34의 프로세서(1610, 1660))에 의해 처리될 수 있다.
또한 상술한 실시예에 따른 기지국/단말의 동작(예: 제안 1 내지 제안 2 중 적어도 하나에 기반하는 단말의 beam measurement and reporting과 관련된 동작)들은 적어도 하나의 프로세서(예: 도 34의 1610, 1660)를 구동하기 위한 명령어/프로그램(예: instruction, executable code)형태로 메모리(예: 도 34의 1640, 1690)에 저장될 수도 있다.
[단말 claim 관련 설명]
이하 상술한 실시 예들을 단말의 동작 측면에서 도 7을 참조하여 구체적으로 설명한다. 이하 설명되는 방법들은 설명의 편의를 위하여 구분된 것일 뿐, 상호 배척되지 않는 한 어느 한 방법의 일부 구성이 다른 방법의 일부 구성과 치환되거나, 상호 간에 결합되어 적용될 수 있음은 물론이다.
도 7는 본 개시에 적용 가능한 시스템에서 단말의 동작 과정의 일례를 도시한 도면이다.
S3210 단계에서, 단말은 기지국으로부터 CSI 자원 구성(channel state information resource configuration)을 수신한다.
S3220 단계에서, 단말은 상기 CSI 자원 구성과 관련된 복수의 제1 CRI(CSI-reference signal resource indicator)들 또는 복수의 제1 SSBRI(synchronization signal block resource indicator)들에 기반하여 상기 기지국으로부터 복수의 CSI-RS들을 수신한다.
S3230 단계에서, 단말은 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 RSRP(received signal received power) 또는 SINR(signal to interference power)을 측정한다.
S3240 단계에서, 단말은 상기 측정된 RSRP 또는 SINR의 단위 시간 당 미분 값을 계산한다.
S3250 단계에서, 단말은 상기 RSRP 또는 SINR의 절대 값 및 상기 미분 값에 기반하여 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 미리 정해진 개수의 제2 CRI들 또는 제2 SSBRI들을 선택한다.
S3260 단계에서, 단말은 상기 기지국에게 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 보고 메시지를 전송한다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 및 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값에 기반하는 제1 보고 구성과 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값에 기반하는 제2 보고 구성을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 보고 구성은 상기 제1 보고 구성의 추가 페이로드로서 상기 제1 보고 구성과 함께 전송될 수 있다. 또는, 상기 제2 보고 구성은 상기 제1 보고 구성과 별도로 구성되고 상기 제1 보고 구성과 별도로 전송될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들은 (N1+N2) 개의 CRI들 또는 SSBRI들을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들 중 N1 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 RSRP 또는 SINR의 절대 값에 기반하여 결정된 CRI들 또는 SSBRI들일 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들 중 N2 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 미분 값에 기반하여 결정된 CRI들 또는 SSBRI들일 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 RSRP 또는 SINR의 상기 절대 값 및 상기 미분 값 모두에 기반하는 메트릭(metric)에 기반할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들은 상기 제1 CRI들 또는 제1 SSBRI들 중 상기 메트릭에 기반한 값이 가장 높은 미리 정해진 개수의 CRI들 또는 SSBRI들일 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 타임 스탬프 별 최적의 제2 CRI 또는 제2 SSBRI, 시간 별 상기 최적의 제2 CRI 또는 제2 SSBRI와 관련된 상기 RSRP 또는 SINR을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들에 기반하여 과거 또는 미래의 특정 시간에 대한 최적의 CRI 또는 SSBRI에 대한 보고 또는 최적의 CRI 또는 SSBRI에 대한 예측을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 또는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값 중 하나 이상에 대하여 특정 시간에서 변화율 값의 형태로 표현할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 변화율 값에 기반하여 최상의 변화율을 가진 CRI 또는 SSBRI에 대한 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 특정 시간에서 상기 변화율 값은 상기 특정 시간의 변수에 기반하는 다항식에 의하여 산출될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 다항식에 포함된 하나 이상의 계수의 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면 무선 통신 시스템에서 단말이 제공된다. 단말은 송수신기 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 도 7에 따른 단말의 동작 방법을 수행하도록 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 통신 시스템에서 단말을 제어하는 장치가 제공된다. 상기 장치는 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서들에 동작 가능하게 접속된 적어도 하나의 메모리를 포함한다. 상기 적어도 하나의 메모리들은, 상기 적어도 하나의 프로세서에 의해 실행되는 것에 기반하여, 도 7에 따른 단말의 동작 방법을 수행하는 지시(instruction)들을 저장하도록 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 하나 이상의 명령어를 저장하는 하나 이상의 비일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer readable medium, CRM)가 제공된다. 상기 하나 이상의 명령어는, 하나 이상의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하고, 상기 동작들은, 도 7에 따른 단말의 동작 방법을 포함할 수 있다.
[기지국 claim 관련 설명]
이하 상술한 실시 예들을 기지국의 동작 측면에서 도 8를 참조하여 구체적으로 설명한다. 이하 설명되는 방법들은 설명의 편의를 위하여 구분된 것일 뿐, 상호 배척되지 않는 한 어느 한 방법의 일부 구성이 다른 방법의 일부 구성과 치환되거나, 상호 간에 결합되어 적용될 수 있음은 물론이다.
도 8은 본 개시에 적용 가능한 시스템에서 기지국의 동작 과정의 일례를 도시한 도면이다.
S3310 단계에서, 기지국은 단말에게 CSI 자원 구성(channel state information resource configuration)을 전송한다.
S3320 단계에서, 기지국은 상기 CSI 자원 구성과 관련된 복수의 제1 CRI(CSI-reference signal resource indicator)들 또는 복수의 제1 SSBRI(synchronization signal block resource indicator)들에 기반하여 상기 단말에게 복수의 CSI-RS들을 전송한다.
S3330 단계에서, 기지국은 상기 단말로부터 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 일부인 제2 CRI들 또는 제2 SSBRI들과 관련된 보고 메시지를 수신한다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들은 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 RSRP(received signal received power) 또는 SINR(signal to interference power)의 절대 값 및 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 상기 RSRP 또는 SINR의 단위 시간 당 미분 값에 기반하여 선택된 미리 정해진 개수의 CRI들 또는 SSBRI들일 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 및 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값에 기반하는 제1 보고 구성과 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값에 기반하는 제2 보고 구성을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 보고 구성은 상기 제1 보고 구성의 추가 페이로드로서 상기 제1 보고 구성과 함께 수신될 수 있다. 또는, 상기 제2 보고 구성은 상기 제1 보고 구성과 별도로 구성되고 상기 제1 보고 구성과 별도로 수신될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들은 (N1+N2) 개의 CRI들 또는 SSBRI들을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들 중 N1 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 RSRP 또는 SINR의 절대 값에 기반하여 결정된 CRI들 또는 SSBRI들일 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들 중 N2 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 미분 값에 기반하여 결정된 CRI들 또는 SSBRI들일 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 RSRP 또는 SINR의 상기 절대 값 및 상기 미분 값 모두에 기반하는 메트릭(metric)에 기반할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 제2 CRI들 또는 제2 SSBRI들은 상기 제1 CRI들 또는 제1 SSBRI들 중 상기 메트릭에 기반한 값이 가장 높은 미리 정해진 개수의 CRI들 또는 SSBRI들일 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 타임 스탬프 별 최적의 제2 CRI 또는 제2 SSBRI, 시간 별 상기 최적의 제2 CRI 또는 제2 SSBRI와 관련된 상기 RSRP 또는 SINR을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들에 기반하여 과거 또는 미래의 특정 시간에 대한 최적의 CRI 또는 SSBRI에 대한 보고 또는 최적의 CRI 또는 SSBRI에 대한 예측을 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 또는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값 중 하나 이상에 대하여 특정 시간에서 변화율 값의 형태로 표현할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 변화율 값에 기반하여 최상의 변화율을 가진 CRI 또는 SSBRI에 대한 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 특정 시간에서 상기 변화율 값은 상기 특정 시간의 변수에 기반하는 다항식에 의하여 산출될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 상기 보고 메시지는 상기 다항식에 포함된 하나 이상의 계수의 정보를 포함할 수 있다.
본 개시의 다양한 실시 예들에 따르면 무선 통신 시스템에서 기지국이 제공된다. 기지국은 송수신기 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 도 8에 따른 기지국의 동작 방법을 수행하도록 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 무선 통신 시스템에서 기지국을 제어하는 장치가 제공된다. 상기 장치는 적어도 하나의 프로세서 및 상기 적어도 하나의 프로세서들에 동작 가능하게 접속된 적어도 하나의 메모리를 포함한다. 상기 적어도 하나의 메모리들은, 상기 적어도 하나의 프로세서에 의해 실행되는 것에 기반하여, 도 8에 따른 기지국의 동작 방법을 수행하는 지시(instruction)들을 저장하도록 구성될 수 있다.
본 개시의 다양한 실시 예들에 따르면, 하나 이상의 명령어를 저장하는 하나 이상의 비일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer readable medium, CRM)가 제공된다. 상기 하나 이상의 명령어는, 하나 이상의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하고, 상기 동작들은, 도 8에 따른 기지국의 동작 방법을 포함할 수 있다.
본 개시에 적용 가능한 무선 기기
이하에서는, 본 개시의 다양한 실시 예들이 적용되는 무선 기기의 예에 대해 설명한다.
도 9는 본 개시에 적용 가능한 시스템에서 제1 장치 및 제2 장치의 구조의 일례를 도시한 도면이다.
제1 장치(1600)는 프로세서(1610), 안테나부(1620), 트랜시버(1630), 메모리(1640)를 포함할 수 있다.
프로세서(1610)는 베이스밴드 관련 신호 처리를 수행하며, 상위계층 처리부(1611) 및 물리계층 처리부(1615)를 포함할 수 있다. 상위계층 처리부(1611)는 MAC 계층, RRC 계층, 또는 그 이상의 상위계층의 동작을 처리할 수 있다. 물리계층 처리부(1615)는 PHY 계층의 동작을 처리할 수 있다. 예를 들어, 제1 장치(1600)가 기지국-단말간 통신에서의 기지국 장치인 경우에 물리계층 처리부(1615)는 상향링크 수신 신호 처리, 하향링크 송신 신호 처리 등을 수행할 수 있다. 예를 들어, 제1 장치(1600)가 단말간 통신에서의 제1 단말 장치인 경우에 물리계층 처리부(1615)는 하향링크 수신 신호 처리, 상향링크 송신 신호 처리, 사이드링크 송신 신호 처리 등을 수행할 수 있다. 프로세서(1610)는 베이스밴드 관련 신호 처리를 수행하는 것 외에도, 제1 장치(1600) 전반의 동작을 제어할 수도 있다.
안테나부(1620)는 하나 이상의 물리적 안테나를 포함할 수 있고, 복수개의 안테나를 포함하는 경우 MIMO 송수신을 지원할 수 있다. 트랜시버(1630)는 RF(Radio Frequency) 송신기 및 RF 수신기를 포함할 수 있다. 메모리(1640)는 프로세서(1610)의 연산 처리된 정보, 및 제1 장치(1600)의 동작에 관련된 소프트웨어, 운영체제, 애플리케이션 등을 저장할 수 있으며, 버퍼 등의 구성요소를 포함할 수도 있다.
제1 장치(1600)의 프로세서(1610)는 본 개시에서 설명하는 실시예들에서의 기지국-단말간 통신에서의 기지국의 동작(또는 단말간 통신에서의 제1 단말 장치의 동작)을 구현하도록 설정될 수 있다.
제2 장치(1650)는 프로세서(1660), 안테나부(1670), 트랜시버(1680), 메모리(1690)를 포함할 수 있다.
프로세서(1660)는 베이스밴드 관련 신호 처리를 수행하며, 상위계층 처리부(1661) 및 물리계층 처리부(1665)를 포함할 수 있다. 상위계층 처리부(1661)는 MAC 계층, RRC 계층, 또는 그 이상의 상위계층의 동작을 처리할 수 있다. 물리계층 처리부(1665)는 PHY 계층의 동작을 처리할 수 있다. 예를 들어, 제2 장치(1650)가 기지국-단말간 통신에서의 단말 장치인 경우에 물리계층 처리부(1665)는 하향링크 수신 신호 처리, 상향링크 송신 신호 처리 등을 수행할 수 있다. 예를 들어, 제2 장치(1650)가 단말간 통신에서의 제2 단말 장치인 경우에 물리계층 처리부(1665)는 하향링크 수신 신호 처리, 상향링크 송신 신호 처리, 사이드링크 수신 신호 처리 등을 수행할 수 있다. 프로세서(1660)는 베이스밴드 관련 신호 처리를 수행하는 것 외에도, 제2 장치(1660) 전반의 동작을 제어할 수도 있다.
안테나부(1670)는 하나 이상의 물리적 안테나를 포함할 수 있고, 복수개의 안테나를 포함하는 경우 MIMO 송수신을 지원할 수 있다. 트랜시버(1680)는 RF 송신기 및 RF 수신기를 포함할 수 있다. 메모리(1690)는 프로세서(1660)의 연산 처리된 정보, 및 제2 장치(1650)의 동작에 관련된 소프트웨어, 운영체제, 애플리케이션 등을 저장할 수 있으며, 버퍼 등의 구성요소를 포함할 수도 있다.
제2 장치(1650)의 프로세서(1660)는 본 개시에서 설명하는 실시예들에서의 기지국-단말간 통신에서의 단말의 동작(또는 단말간 통신에서의 제2 단말 장치의 동작)을 구현하도록 설정될 수 있다.
제1 장치(1600) 및 제2 장치(1650)의 동작에 있어서 본 개시의 예시들에서 기지국-단말간 통신에서의 기지국 및 단말(또는 단말간 통신에서의 제1 단말 및 제2 단말)에 대해서 설명한 사항이 동일하게 적용될 수 있으며, 중복되는 설명은 생략한다.
여기서, 본 개시의 장치(1600, 1650)에서 구현되는 무선 통신 기술은 LTE, NR 및 6G뿐만 아니라 저전력 통신을 위한 Narrowband Internet of Things(NB-IoT)를 포함할 수 있다. 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(additionally or alternatively), 본 개시의 장치(1600, 1650)에서 구현되는 무선 통신 기술은 LTE-M 기술을 기반으로 통신을 수행할 수 있다. 예를 들어, 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 장치(1600, 1650)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. 예를 들어, 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 개시의 다양한 실시 예들에 기재된 청구항들은 다양한 방식으로 조합될 수 있다. 예를 들어, 본 개시의 다양한 실시 예들의 방법 청구항의 기술적 특징이 조합되어 장치로 구현될 수 있고, 본 개시의 다양한 실시 예들의 장치 청구항의 기술적 특징이 조합되어 방법으로 구현될 수 있다. 또한, 본 개시의 다양한 실시 예들의 방법 청구항의 기술적 특징과 장치 청구항의 기술적 특징이 조합되어 장치로 구현될 수 있고, 본 개시의 다양한 실시 예들의 방법 청구항의 기술적 특징과 장치 청구항의 기술적 특징이 조합되어 방법으로 구현될 수 있다.

Claims (20)

  1. 무선 통신 시스템에서 단말의 동작 방법에 있어서,
    기지국으로부터 CSI 자원 구성(channel state information resource configuration)을 수신하는 단계;
    상기 CSI 자원 구성과 관련된 복수의 제1 CRI(CSI-reference signal resource indicator)들 또는 복수의 제1 SSBRI(synchronization signal block resource indicator)들에 기반하여 상기 기지국으로부터 복수의 CSI-RS들을 수신하는 단계;
    상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 RSRP(received signal received power) 또는 SINR(signal to interference power)을 측정하는 단계;
    상기 측정된 RSRP 또는 SINR의 단위 시간 당 미분 값을 계산하는 단계;
    상기 RSRP 또는 SINR의 절대 값 및 상기 미분 값에 기반하여 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 미리 정해진 개수의 제2 CRI들 또는 제2 SSBRI들을 선택하는 단계;
    상기 기지국에게 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 보고 메시지를 전송하는 단계를 포함하고,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 및 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값을 포함하는,
    방법.
  2. 제1 항에 있어서,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값에 기반하는 제1 보고 구성과 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값에 기반하는 제2 보고 구성을 포함하고,
    상기 제2 보고 구성은 상기 제1 보고 구성의 추가 페이로드로서 상기 제1 보고 구성과 함께 전송되거나, 또는,
    상기 제2 보고 구성은 상기 제1 보고 구성과 별도로 구성되고 상기 제1 보고 구성과 별도로 전송되는,
    방법.
  3. 제1 항에 있어서,
    상기 제2 CRI들 또는 제2 SSBRI들은 (N1+N2) 개의 CRI들 또는 SSBRI들을 포함하고,
    상기 제2 CRI들 또는 제2 SSBRI들 중 N1 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 RSRP 또는 SINR의 절대 값에 기반하여 결정된 CRI들 또는 SSBRI들이고,
    상기 제2 CRI들 또는 제2 SSBRI들 중 N2 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 미분 값에 기반하여 결정된 CRI들 또는 SSBRI들인,
    방법.
  4. 제1 항에 있어서,
    상기 보고 메시지는 상기 RSRP 또는 SINR의 상기 절대 값 및 상기 미분 값 모두에 기반하는 메트릭(metric)에 기반하고,
    상기 제2 CRI들 또는 제2 SSBRI들은 상기 제1 CRI들 또는 제1 SSBRI들 중 상기 메트릭에 기반한 값이 가장 높은 미리 정해진 개수의 CRI들 또는 SSBRI들인,
    방법.
  5. 제1 항에 있어서,
    상기 보고 메시지는 타임 스탬프 별 최적의 제2 CRI 또는 제2 SSBRI, 시간 별 상기 최적의 제2 CRI 또는 제2 SSBRI와 관련된 상기 RSRP 또는 SINR을 포함하고,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들에 기반하여 과거 또는 미래의 특정 시간에 대한 최적의 CRI 또는 SSBRI에 대한 보고 또는 최적의 CRI 또는 SSBRI에 대한 예측을 더 포함하는,
    방법.
  6. 제1 항에 있어서,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 또는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값 중 하나 이상에 대하여 특정 시간에서 변화율 값의 형태로 표현하고,
    상기 보고 메시지는 상기 변화율 값에 기반하여 최상의 변화율을 가진 CRI 또는 SSBRI에 대한 정보를 포함하는,
    방법.
  7. 제6 항에 있어서,
    상기 특정 시간에서 상기 변화율 값은 상기 특정 시간의 변수에 기반하는 다항식에 의하여 산출되고,
    상기 보고 메시지는 상기 다항식에 포함된 하나 이상의 계수의 정보를 포함하는,
    방법.
  8. 무선 통신 시스템에서 기지국의 동작 방법에 있어서,
    단말에게 CSI 자원 구성(channel state information resource configuration)을 전송하는 단계;
    상기 CSI 자원 구성과 관련된 복수의 제1 CRI(CSI-reference signal resource indicator)들 또는 복수의 제1 SSBRI(synchronization signal block resource indicator)들에 기반하여 상기 단말에게 복수의 CSI-RS들을 전송하는 단계;
    상기 단말로부터 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 일부인 제2 CRI들 또는 제2 SSBRI들과 관련된 보고 메시지를 수신하는 단계를 포함하고,
    상기 제2 CRI들 또는 제2 SSBRI들은 상기 제1 CRI들 또는 상기 제1 SSBRI들 중 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 RSRP(received signal received power) 또는 SINR(signal to interference power)의 절대 값 및 상기 제1 CRI들 또는 상기 제1 SSBRI들과 관련된 상기 RSRP 또는 SINR의 단위 시간 당 미분 값에 기반하여 선택된 미리 정해진 개수의 CRI들 또는 SSBRI들이고,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 및 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값을 포함하는,
    방법.
  9. 제8 항에 있어서,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값에 기반하는 제1 보고 구성과 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값에 기반하는 제2 보고 구성을 포함하고,
    상기 제2 보고 구성은 상기 제1 보고 구성의 추가 페이로드로서 상기 제1 보고 구성과 함께 수신되거나, 또는,
    상기 제2 보고 구성은 상기 제1 보고 구성과 별도로 구성되고 상기 제1 보고 구성과 별도로 수신되는,
    방법.
  10. 제8 항에 있어서,
    상기 제2 CRI들 또는 제2 SSBRI들은 (N1+N2) 개의 CRI들 또는 SSBRI들을 포함하고,
    상기 제2 CRI들 또는 제2 SSBRI들 중 N1 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 RSRP 또는 SINR의 절대 값에 기반하여 결정된 CRI들 또는 SSBRI들이고,
    상기 제2 CRI들 또는 제2 SSBRI들 중 N2 개의 CRI들 또는 SSBRI들은 상기 복수의 제1 CRI들 또는 제1 SSBRI들 중 상기 미분 값에 기반하여 결정된 CRI들 또는 SSBRI들인,
    방법.
  11. 제8 항에 있어서,
    상기 보고 메시지는 상기 RSRP 또는 SINR의 상기 절대 값 및 상기 미분 값 모두에 기반하는 메트릭(metric)에 기반하고,
    상기 제2 CRI들 또는 제2 SSBRI들은 상기 제1 CRI들 또는 제1 SSBRI들 중 상기 메트릭에 기반한 값이 가장 높은 미리 정해진 개수의 CRI들 또는 SSBRI들인,
    방법.
  12. 제8 항에 있어서,
    상기 보고 메시지는 타임 스탬프 별 최적의 제2 CRI 또는 제2 SSBRI, 시간 별 상기 최적의 제2 CRI 또는 제2 SSBRI와 관련된 상기 RSRP 또는 SINR을 포함하고,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들에 기반하여 과거 또는 미래의 특정 시간에 대한 최적의 CRI 또는 SSBRI에 대한 보고 또는 최적의 CRI 또는 SSBRI에 대한 예측을 더 포함하는,
    방법.
  13. 제8 항에 있어서,
    상기 보고 메시지는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 절대 값, 또는 상기 제2 CRI들 또는 제2 SSBRI들과 관련된 상기 RSRP 또는 SINR의 상기 미분 값 중 하나 이상에 대하여 특정 시간에서 변화율 값의 형태로 표현하고,
    상기 보고 메시지는 상기 변화율 값에 기반하여 최상의 변화율을 가진 CRI 또는 SSBRI에 대한 정보를 포함하는,
    방법.
  14. 제13 항에 있어서,
    상기 특정 시간에서 상기 변화율 값은 상기 특정 시간의 변수에 기반하는 다항식에 의하여 산출되고,
    상기 보고 메시지는 상기 다항식에 포함된 하나 이상의 계수의 정보를 포함하는,
    방법.
  15. 무선 통신 시스템에서 단말에 있어서,
    송수신기;
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 메모리를 포함하며,
    상기 동작들은,
    제1 항 내지 제7 항 중 어느 한 항에 따른 방법의 모든 단계를 포함하는,
    단말.
  16. 무선 통신 시스템에서 기지국에 있어서,
    송수신기;
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 동작 가능하게 접속 가능하고, 상기 적어도 하나의 프로세서에 의해 실행될 때, 동작들을 수행하는 지시(instruction)들을 저장하는 적어도 하나의 메모리를 포함하며,
    상기 동작들은,
    제8 항 내지 제14 항 중 어느 한 항에 따른 방법의 모든 단계를 포함하는,
    기지국.
  17. 무선 통신 시스템에서 단말을 제어하는 제어 장치에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서들에 동작 가능하게 접속된 적어도 하나의 메모리를 포함하고,
    상기 적어도 하나의 메모리들은, 상기 적어도 하나의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하는 지시(instruction)들을 저장하며,
    상기 동작들은,
    제1 항 내지 제7 항 중 어느 한 항에 따른 방법의 모든 단계를 포함하는,
    제어 장치.
  18. 무선 통신 시스템에서 기지국을 제어하는 제어 장치에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서들에 동작 가능하게 접속된 적어도 하나의 메모리를 포함하고,
    상기 적어도 하나의 메모리들은, 상기 적어도 하나의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하는 지시(instruction)들을 저장하며,
    상기 동작들은,
    제8 항 내지 제14 항 중 어느 한 항에 따른 방법의 모든 단계를 포함하는,
    제어 장치.
  19. 하나 이상의 명령어를 저장하는 하나 이상의 비일시적인(non-transitory) 컴퓨터 판독 가능 매체에 있어서,
    상기 하나 이상의 명령어는, 하나 이상의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하고,
    상기 동작들은,
    제1 항 내지 제7 항 중 어느 한 항에 따른 방법의 모든 단계를 포함하는,
    컴퓨터 판독 가능 매체.
  20. 하나 이상의 명령어를 저장하는 하나 이상의 비일시적인(non-transitory) 컴퓨터 판독 가능 매체에 있어서,
    상기 하나 이상의 명령어는, 하나 이상의 프로세서에 의해 실행되는 것에 기반하여, 동작들을 수행하고,
    상기 동작들은,
    제8 항 내지 제14 항 중 어느 한 항에 따른 방법의 모든 단계를 포함하는,
    컴퓨터 판독 가능 매체.
PCT/KR2023/005695 2022-04-28 2023-04-26 무선 통신 시스템에서 ai/ml 기반 빔 관리를 수행하기 위한 장치 및 방법 WO2023211152A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220053047 2022-04-28
KR10-2022-0053047 2022-04-28

Publications (1)

Publication Number Publication Date
WO2023211152A1 true WO2023211152A1 (ko) 2023-11-02

Family

ID=88519123

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/005695 WO2023211152A1 (ko) 2022-04-28 2023-04-26 무선 통신 시스템에서 ai/ml 기반 빔 관리를 수행하기 위한 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2023211152A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190253964A1 (en) * 2018-02-13 2019-08-15 Mediatek Inc. Power saving on ue reports
WO2020215106A2 (en) * 2019-11-07 2020-10-22 Futurewei Technologies, Inc. Methods and apparatus for information feedback
US20210351959A1 (en) * 2019-01-25 2021-11-11 Zte Corporation Channel state estimating and reporting schemes in wireless communication
US20220095254A1 (en) * 2020-09-22 2022-03-24 Samsung Electronics Co., Ltd. Method and apparatus for beam measurement, reporting and indication
WO2022069341A1 (en) * 2020-09-30 2022-04-07 Nokia Technologies Oy Early ue panel switch reporting

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190253964A1 (en) * 2018-02-13 2019-08-15 Mediatek Inc. Power saving on ue reports
US20210351959A1 (en) * 2019-01-25 2021-11-11 Zte Corporation Channel state estimating and reporting schemes in wireless communication
WO2020215106A2 (en) * 2019-11-07 2020-10-22 Futurewei Technologies, Inc. Methods and apparatus for information feedback
US20220095254A1 (en) * 2020-09-22 2022-03-24 Samsung Electronics Co., Ltd. Method and apparatus for beam measurement, reporting and indication
WO2022069341A1 (en) * 2020-09-30 2022-04-07 Nokia Technologies Oy Early ue panel switch reporting

Similar Documents

Publication Publication Date Title
WO2019103562A1 (en) Method for reporting channel state information in wireless communication system and apparatus for the same
WO2019107873A1 (en) Method for reporting channel state information in wireless communication system and apparatus for the same
WO2022031133A1 (en) Signaling and trigger mechanisms for handover
WO2016021880A1 (ko) 무선 통신 시스템에서 comp 동작을 위한 시그널링 방법 및 이를 위한 장치
WO2022031142A1 (en) Method and apparatus for inter-cell downlink and uplink beam indication, measurement, and reporting
WO2022154505A1 (en) Data processing method and device in wireless communication network
WO2022146116A1 (en) Method and apparatus of inter-cell beam measurement and reporting
WO2021235572A1 (ko) 온-디바이스 학습 기반 기계 학습 네트워크를 이용한 무선 통신 방법
WO2023211152A1 (ko) 무선 통신 시스템에서 ai/ml 기반 빔 관리를 수행하기 위한 장치 및 방법
WO2023287086A1 (ko) 무선 통신 시스템에서 빔 정보를 송수신하는 방법 및 이를 위한 장치
WO2022234896A1 (en) Method and base station for determining transmission path in wireless communication system
WO2022149742A1 (ko) Nwdaf를 통한 분석에서 확장된 기능으로 인한 오버헤드를 최소화하기 위한 방법 및 장치
WO2022060032A1 (ko) 사이드링크 통신
EP4233382A1 (en) Method and base station for determining transmission path in wireless communication system
WO2024014937A1 (ko) 무선 통신 시스템에서 빔 관리를 위한 방법 및 장치
WO2024071817A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023243958A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023211134A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2024014905A1 (ko) 무선 통신 시스템에서 빔 보고 방법 및 장치
WO2023163474A1 (ko) 무선 통신 시스템에서 양자화 기반 채널 상태 정보 송신 또는 수신 방법 및 장치
WO2023191431A1 (ko) 무선 통신 시스템에서 개선된 코드북-기반 채널 상태 정보 송신 또는 수신 방법 및 장치
WO2023287095A1 (ko) 무선 통신 시스템에서 채널 상태 정보 송수신 방법 및 장치
WO2023136554A1 (ko) 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치
WO2023080636A1 (ko) 무선 통신 시스템에서 상향링크 또는 하향링크 송수신을 수행하는 방법 및 장치
WO2023055111A1 (ko) 무선 통신 시스템에서 무선 신호 송수신 방법 및 장치

Legal Events

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

Ref document number: 23796795

Country of ref document: EP

Kind code of ref document: A1