WO2024010103A1 - 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치 - Google Patents

무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치 Download PDF

Info

Publication number
WO2024010103A1
WO2024010103A1 PCT/KR2022/009612 KR2022009612W WO2024010103A1 WO 2024010103 A1 WO2024010103 A1 WO 2024010103A1 KR 2022009612 W KR2022009612 W KR 2022009612W WO 2024010103 A1 WO2024010103 A1 WO 2024010103A1
Authority
WO
WIPO (PCT)
Prior art keywords
terminal
information
base station
data
prediction
Prior art date
Application number
PCT/KR2022/009612
Other languages
English (en)
French (fr)
Inventor
이은종
이경호
김봉회
이상림
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to PCT/KR2022/009612 priority Critical patent/WO2024010103A1/ko
Publication of WO2024010103A1 publication Critical patent/WO2024010103A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data

Definitions

  • the following description is about a wireless communication system and a method and device for performing a resource request in a wireless communication system.
  • it relates to a method and apparatus for performing resource requests based on traffic prediction.
  • Wireless access systems are being widely deployed to provide various types of communication services such as voice and data.
  • a wireless access system is a multiple access system that can support communication with multiple users by sharing available system resources (bandwidth, transmission power, etc.).
  • multiple access systems include code division multiple access (CDMA) systems, frequency division multiple access (FDMA) systems, time division multiple access (TDMA) systems, orthogonal frequency division multiple access (OFDMA) systems, and single carrier frequency (SC-FDMA) systems. division multiple access) systems, etc.
  • eMBB enhanced mobile broadband
  • RAT radio access technology
  • Massive MTC Machine Type Communications
  • This disclosure relates to a method and device for performing resource requests in a wireless communication system.
  • the present disclosure relates to a method and device for predicting the timing of traffic generation of a terminal in a wireless communication system and performing a resource request.
  • the present disclosure relates to a method and device for predicting when traffic will occur and requesting resources based on an artificial intelligence (AI)/machine learning (ML) model of a terminal in a wireless communication system.
  • AI artificial intelligence
  • ML machine learning
  • This disclosure relates to a method and device for transmitting AI/ML model capability information of a terminal to a base station in a wireless communication system.
  • the present disclosure relates to a method and device for setting a scheduling request (SR) configuration based on the timing of traffic generation of a terminal in a wireless communication system.
  • SR scheduling request
  • the present disclosure relates to a method and device for triggering SR based on the timing of traffic generation of a terminal in a wireless communication system.
  • the present disclosure relates to a method and device for triggering a buffer status report (BSR) based on the timing of traffic generation of a terminal in a wireless communication system.
  • BSR buffer status report
  • the terminal transmits terminal capability information to a base station, scheduling request (SR) configuration information from the base station based on the terminal capability information.
  • SR scheduling request
  • a method of operating a base station in a wireless communication system receiving terminal capability information from a terminal, scheduling request (SR) configuration information based on the terminal capability information to the terminal. Transmitting and receiving a first SR triggered based on SR configuration information from the terminal, wherein the first SR may be an SR that is triggered and transmitted to the base station before the first data is generated in the buffer of the terminal. there is.
  • SR scheduling request
  • a base station of a wireless communication system includes a transceiver and a processor connected to the transceiver, and the processor receives terminal capability information from the terminal using the transceiver, and sends the terminal to the terminal using the transceiver.
  • Scheduling request (SR) configuration information is transmitted based on capability information, and a first SR triggered based on the SR configuration information is received from the terminal using a transceiver, where the first SR is transmitted from the terminal. It may be an SR that is triggered and transmitted to the base station before the first data is generated in the buffer.
  • the at least one processor is configured to allow the device to transmit terminal capability information to the base station.
  • Control to transmit control to receive scheduling request (SR) configuration information from the base station based on terminal capability information, and use a transceiver to trigger the first SR based on the SR configuration information to the base station.
  • SR scheduling request
  • the first SR may be an SR that is triggered and transmitted to the base station before the first data is generated in the buffer of the terminal.
  • At least one executable by a processor includes a command, wherein at least one command controls to transmit terminal capability information to the base station, and controls to receive scheduling request (SR) configuration information from the base station based on the terminal capability information
  • the transceiver is used to control the first SR to be triggered and transmitted to the base station based on the SR configuration information.
  • the first SR may be an SR that is triggered and transmitted to the base station before the first data is generated in the buffer of the terminal.
  • the terminal is a terminal equipped with an artificial intelligence (AI)/machine learning (ML) model for predicting uplink traffic, and the terminal is provided in the buffer of the terminal through the AI/ML model for predicting uplink traffic.
  • AI artificial intelligence
  • ML machine learning
  • terminal capability information includes information about whether the terminal has an AI/ML model for uplink traffic prediction, information about how learning is performed based on the AI/ML model, It may include at least one of type information of output data for the AI/ML model, time unit information about when traffic for the output data occurs, and predictable time information based on the AI/ML model.
  • buffer size information based on the first data can be further predicted through an AI/ML model for predicting uplink traffic of the terminal.
  • the terminal may provide at least one of ID information for the first data, information on the generation time of the first data, and buffer size information based on the first data.
  • a first buffer status report (BSR) including any one may be triggered and transmitted to the base station.
  • the SR when there are no uplink resources for the first BSR triggered in the terminal, the SR is triggered and transmitted to the base station, and if the triggered SR is the first SR, the first BSR is It includes ID information for the first data and buffer size information based on the first data, and information on the generation time of the first data may be indicated to the base station through the first SR.
  • reliability information of the first SR is further derived based on an AI/ML model for predicting uplink traffic of the terminal, and the reliability information of the first SR is transmitted to the base station together with the first SR. It can be.
  • At least one first SR PUCCH (physical uplink control channel) resource and at least one second SR PUCCH resource are configured in the terminal based on SR configuration information, and at least one first SR PUCCH is a PUCCH resource for SR transmission that is triggered based on prediction of the generation time of first data before data generation in the buffer of the terminal, and at least one second SR PUCCH is SR transmission that is triggered based on data generated in the buffer of the terminal It may be a PUCCH resource for.
  • a third SR PUCCH resource is further configured in the terminal based on SR configuration information, but the third SR PUCCH resource is predicted to not generate the first data at the occurrence time based on the prediction of the occurrence time. It may be a PUCCH resource that cancels the first SR based on failure information.
  • the first SR may include ID information for the first data and prediction information on the generation time of the first data.
  • the first SR may further include prediction success rate information that the first data is generated at the generation time based on prediction information on the generation time of the first data.
  • the SR configuration information includes a plurality of SR configuration set information based on prediction success rate information, and the terminal configures the first SR based on the first SR configuration set among the plurality of SR configuration sets.
  • the SR configuration set set in the terminal may be dynamically changed based on prediction success rate information.
  • the terminal when the terminal receives an uplink grant indicating uplink resources from the base station based on the first SR, and the first data does not occur at the predicted occurrence time, the terminal sends the first data to the base station. 1 Cancellation of SR can be instructed.
  • the terminal has at least one of a medium access control (MAC) control element (CE) indicating cancellation of the first SR, a BSR set to 0, and a physical uplink shared channel (PUSCH) containing null data. Cancellation of the first SR can be instructed through one.
  • MAC medium access control
  • CE control element
  • PUSCH physical uplink shared channel
  • the terminal when the terminal detects that data is generated in the buffer of the terminal based on the SR configuration information, it can trigger the second SR and transmit it to the base station.
  • Embodiments based on the present disclosure may provide a method for performing a resource request.
  • Embodiments based on the present disclosure can provide a method for predicting when traffic is generated in a terminal and performing a resource request.
  • a method of performing a resource request by predicting the timing of traffic generation based on the AI/ML model of the terminal can be provided.
  • Embodiments based on the present disclosure may provide a method for transmitting AI/ML model capability information of a terminal to a base station.
  • Embodiments based on the present disclosure may provide a method for setting the SR configuration based on the timing of traffic generation of the terminal.
  • Embodiments based on the present disclosure may provide a method for triggering SR based on the timing of traffic generation of the terminal.
  • a method for triggering BSR can be provided based on the timing of traffic generation of the terminal.
  • FIG. 1 is a diagram illustrating an example communication system according to an embodiment of the present disclosure.
  • Figure 2 is a diagram showing an example of a wireless device according to an embodiment of the present disclosure.
  • Figure 3 is a diagram showing another example of a wireless device according to an embodiment of the present disclosure.
  • FIG. 4 is a diagram showing an example of AI (Artificial Intelligence) according to an embodiment of the present disclosure.
  • AI Artificial Intelligence
  • Figure 5 is a diagram showing a method for a terminal to request uplink resources from a base station according to an embodiment of the present disclosure.
  • Figure 6 is a diagram showing a terminal operation method according to an embodiment of the present disclosure.
  • Figure 7 is a diagram illustrating a method of performing a capability negotiation procedure between a terminal and a base station according to an embodiment of the present disclosure.
  • FIG. 8 is a diagram illustrating a method for triggering a prediction SR according to an embodiment of the present disclosure.
  • FIG. 9 is a diagram illustrating a method for configuring a plurality of SR configuration sets in a terminal according to an embodiment of the present disclosure.
  • Figure 10 is a flowchart showing how a terminal performs a resource request according to an embodiment of the present disclosure.
  • each component or feature may be considered optional unless explicitly stated otherwise.
  • Each component or feature may be implemented in a form that is not combined with other components or features. Additionally, some components and/or features may be combined to configure an embodiment of the present disclosure. The order of operations described in embodiments of the present disclosure may be changed. Some features or features of one embodiment may be included in another embodiment or may be replaced with corresponding features or features of another embodiment.
  • the base station is meant as a terminal node of the network that directly communicates with the mobile station. Certain operations described in this document as being performed by the base station may, in some cases, be performed by an upper node of the base station.
  • 'base station' is a term such as fixed station, Node B, eNB (eNode B), gNB (gNode B), ng-eNB, advanced base station (ABS), or access point. It can be replaced by .
  • a terminal may include a user equipment (UE), a mobile station (MS), a subscriber station (SS), a mobile subscriber station (MSS), It can be replaced with terms such as mobile terminal or advanced mobile station (AMS).
  • UE user equipment
  • MS mobile station
  • SS subscriber station
  • MSS mobile subscriber station
  • AMS advanced mobile station
  • the transmitting end refers to a fixed and/or mobile node that provides a data service or a voice service
  • the receiving end refers to a fixed and/or mobile node that receives a data service or a voice service. Therefore, in the case of uplink, the mobile station can be the transmitting end and the base station can be the receiving end. Likewise, in the case of downlink, the mobile station can be the receiving end and the base station can be the transmitting end.
  • Embodiments of the present disclosure include wireless access systems such as the IEEE 802.xx system, 3GPP (3rd Generation Partnership Project) system, 3GPP LTE (Long Term Evolution) system, 3GPP 5G (5th generation) NR (New Radio) system, and 3GPP2 system. It may be supported by at least one standard document disclosed in one, and in particular, embodiments of the present disclosure are supported by the 3GPP TS (technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 and 3GPP TS 38.331 documents. It can be.
  • 3GPP TS technical specification
  • embodiments of the present disclosure can be applied to other wireless access systems and are not limited to the above-described systems. As an example, it may be applicable to systems applied after the 3GPP 5G NR system and is not limited to a specific system.
  • CDMA code division multiple access
  • FDMA frequency division multiple access
  • TDMA time division multiple access
  • OFDMA orthogonal frequency division multiple access
  • SC-FDMA single carrier frequency division multiple access
  • LTE is 3GPP TS 36.xxx Release 8 and later.
  • LTE technology after 3GPP TS 36.xxx Release 10 may be referred to as LTE-A
  • LTE technology after 3GPP TS 36.xxx Release 13 may be referred to as LTE-A pro.
  • 3GPP NR may refer to technology after TS 38.xxx Release 15.
  • 3GPP 6G may refer to technology after TS Release 17 and/or Release 18. “xxx” refers to the standard document detail number.
  • LTE/NR/6G can be collectively referred to as a 3GPP system.
  • FIG. 1 is a diagram illustrating an example of a communication system applied to the present disclosure.
  • the communication system 100 applied to the present disclosure includes a wireless device, a base station, and a network.
  • a wireless device refers to a device that performs communication using wireless access technology (e.g., 5G NR, LTE) and may be referred to as a communication/wireless/5G device.
  • wireless devices include robots (100a), vehicles (100b-1, 100b-2), extended reality (XR) devices (100c), hand-held devices (100d), and home appliances (100d).
  • appliance) (100e), IoT (Internet of Thing) device (100f), and AI (artificial intelligence) device/server (100g).
  • vehicles may include vehicles equipped with wireless communication functions, autonomous vehicles, vehicles capable of inter-vehicle communication, etc.
  • the vehicles 100b-1 and 100b-2 may include an unmanned aerial vehicle (UAV) (eg, a drone).
  • UAV unmanned aerial vehicle
  • the XR device 100c includes augmented reality (AR)/virtual reality (VR)/mixed reality (MR) devices, including a head-mounted device (HMD), a head-up display (HUD) installed in a vehicle, a television, It can be implemented in the form of smartphones, computers, wearable devices, home appliances, digital signage, vehicles, robots, etc.
  • the mobile device 100d may include a smartphone, smart pad, wearable device (eg, smart watch, smart glasses), computer (eg, laptop, etc.), etc.
  • Home appliances 100e may include a TV, refrigerator, washing machine, etc.
  • IoT device 100f may include sensors, smart meters, etc.
  • the base station 120 and the network 130 may also be implemented as wireless devices, and a specific wireless device 120a may operate as a base station/network node for other wireless devices.
  • FIG. 2 is a diagram illustrating an example of a wireless device applicable to the present disclosure.
  • the first wireless device 200a includes one or more processors 202a and one or more memories 204a, and may further include one or more transceivers 206a and/or one or more antennas 208a.
  • Processor 202a controls memory 204a and/or transceiver 206a and may be configured to implement the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein.
  • the processor 202a may process information in the memory 204a to generate first information/signal and then transmit a wireless signal including the first information/signal through the transceiver 206a.
  • the processor 202a may receive a wireless signal including the second information/signal through the transceiver 206a and then store information obtained from signal processing of the second information/signal in the memory 204a.
  • the memory 204a may be connected to the processor 202a and may store various information related to the operation of the processor 202a.
  • memory 204a may perform some or all of the processes controlled by processor 202a or instructions for performing the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein.
  • Software code containing them can be stored.
  • the processor 202a and the memory 204a may be part of a communication modem/circuit/chip designed to implement wireless communication technology (eg, LTE, NR).
  • Transceiver 206a may be coupled to processor 202a and may transmit and/or receive wireless signals via one or more antennas 208a.
  • Transceiver 206a may include a transmitter and/or receiver.
  • the transceiver 206a may be used interchangeably with a radio frequency (RF) unit.
  • RF radio frequency
  • a wireless device may mean a communication modem/circuit/chip.
  • the second wireless device 200b includes one or more processors 202b, one or more memories 204b, and may further include one or more transceivers 206b and/or one or more antennas 208b.
  • Processor 202b controls memory 204b and/or transceiver 206b and may be configured to implement the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein.
  • the processor 202b may process information in the memory 204b to generate third information/signal and then transmit a wireless signal including the third information/signal through the transceiver 206b.
  • the processor 202b may receive a wireless signal including the fourth information/signal through the transceiver 206b and then store information obtained from signal processing of the fourth information/signal in the memory 204b.
  • the memory 204b may be connected to the processor 202b and may store various information related to the operation of the processor 202b. For example, memory 204b may perform some or all of the processes controlled by processor 202b or instructions for performing the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein. Software code containing them can be stored.
  • the processor 202b and the memory 204b may be part of a communication modem/circuit/chip designed to implement wireless communication technology (eg, LTE, NR).
  • Transceiver 206b may be coupled to processor 202b and may transmit and/or receive wireless signals via one or more antennas 208b.
  • the transceiver 206b may include a transmitter and/or a receiver.
  • the transceiver 206b may be used interchangeably with an RF unit.
  • a wireless device may mean a communication modem/circuit/chip.
  • one or more protocol layers may be implemented by one or more processors 202a and 202b.
  • one or more processors 202a and 202b may operate on one or more layers (e.g., physical (PHY), media access control (MAC), radio link control (RLC), packet data convergence protocol (PDCP), and radio resource (RRC). control) and functional layers such as SDAP (service data adaptation protocol) can be implemented.
  • layers e.g., physical (PHY), media access control (MAC), radio link control (RLC), packet data convergence protocol (PDCP), and radio resource (RRC). control
  • SDAP service data adaptation protocol
  • transceivers 206a, 206b can be provided to one or more transceivers (206a, 206b).
  • One or more processors 202a, 202b may receive signals (e.g., baseband signals) from one or more transceivers 206a, 206b, and the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein.
  • PDU, SDU, message, control information, data or information can be obtained.
  • One or more processors 202a, 202b may be referred to as a controller, microcontroller, microprocessor, or microcomputer.
  • One or more processors 202a and 202b may be implemented by hardware, firmware, software, or a combination thereof.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this document may be implemented using firmware or software, and the firmware or software may be implemented to include modules, procedures, functions, etc.
  • Firmware or software configured to perform the descriptions, functions, procedures, suggestions, methods and/or operation flowcharts disclosed in this document may be included in one or more processors 202a and 202b or stored in one or more memories 204a and 204b. It may be driven by the above processors 202a and 202b.
  • the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this document may be implemented using firmware or software in the form of codes, instructions and/or sets of instructions.
  • One or more memories 204a and 204b may be connected to one or more processors 202a and 202b and may store various types of data, signals, messages, information, programs, codes, instructions and/or commands.
  • One or more memories 204a, 204b may include read only memory (ROM), random access memory (RAM), erasable programmable read only memory (EPROM), flash memory, hard drives, registers, cache memory, computer readable storage media, and/or It may be composed of a combination of these.
  • One or more memories 204a and 204b may be located internal to and/or external to one or more processors 202a and 202b. Additionally, one or more memories 204a and 204b may be connected to one or more processors 202a and 202b through various technologies, such as wired or wireless connections.
  • One or more transceivers may transmit user data, control information, wireless signals/channels, etc. mentioned in the methods and/or operation flowcharts of this document to one or more other devices.
  • One or more transceivers 206a, 206b may receive user data, control information, wireless signals/channels, etc. referred to in the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed herein, etc. from one or more other devices. there is.
  • one or more transceivers 206a and 206b may be connected to one or more processors 202a and 202b and may transmit and receive wireless signals.
  • one or more processors 202a, 202b may control one or more transceivers 206a, 206b to transmit user data, control information, or wireless signals to one or more other devices. Additionally, one or more processors 202a and 202b may control one or more transceivers 206a and 206b to receive user data, control information, or wireless signals from one or more other devices. In addition, one or more transceivers (206a, 206b) may be connected to one or more antennas (208a, 208b), and one or more transceivers (206a, 206b) may be connected to the description and functions disclosed in this document through one or more antennas (208a, 208b).
  • one or more antennas may be multiple physical antennas or multiple logical antennas (eg, antenna ports).
  • One or more transceivers (206a, 206b) process the received user data, control information, wireless signals/channels, etc. using one or more processors (202a, 202b), and convert the received wireless signals/channels, etc. from the RF band signal. It can be converted to a baseband signal.
  • One or more transceivers (206a, 206b) may convert user data, control information, wireless signals/channels, etc. processed using one or more processors (202a, 202b) from a baseband signal to an RF band signal.
  • one or more transceivers 206a, 206b may include (analog) oscillators and/or filters.
  • FIG. 3 is a diagram illustrating another example of a wireless device applied to the present disclosure.
  • the wireless device 300 corresponds to the wireless devices 200a and 200b of FIG. 2 and includes various elements, components, units/units, and/or modules. ) can be composed of.
  • the wireless device 300 may include a communication unit 310, a control unit 320, a memory unit 330, and an additional element 340.
  • the communication unit may include communication circuitry 312 and transceiver(s) 314.
  • communication circuitry 312 may include one or more processors 202a and 202b and/or one or more memories 204a and 204b of FIG. 2 .
  • transceiver(s) 314 may include one or more transceivers 206a, 206b and/or one or more antennas 208a, 208b of FIG. 2.
  • the control unit 320 is electrically connected to the communication unit 310, the memory unit 330, and the additional element 340 and controls overall operations of the wireless device.
  • the control unit 320 may control the electrical/mechanical operation of the wireless device based on the program/code/command/information stored in the memory unit 330.
  • the control unit 320 transmits the information stored in the memory unit 330 to the outside (e.g., another communication device) through the communication unit 310 through a wireless/wired interface, or to the outside (e.g., to another communication device) through the communication unit 310.
  • Information received through a wireless/wired interface from another communication device can be stored in the memory unit 330.
  • the additional element 340 may be configured in various ways depending on the type of wireless device.
  • the additional element 340 may include at least one of a power unit/battery, an input/output unit, a driving unit, and a computing unit.
  • the wireless device 300 includes robots (FIG. 1, 100a), vehicles (FIG. 1, 100b-1, 100b-2), XR devices (FIG. 1, 100c), and portable devices (FIG. 1, 100d).
  • various elements, components, units/parts, and/or modules within the wireless device 300 may be entirely interconnected through a wired interface, or at least some of them may be wirelessly connected through the communication unit 310.
  • the control unit 320 and the communication unit 310 are connected by wire, and the control unit 320 and the first unit (e.g., 130, 140) are connected wirelessly through the communication unit 310.
  • each element, component, unit/part, and/or module within the wireless device 300 may further include one or more elements.
  • the control unit 320 may be comprised of one or more processor sets.
  • FIG. 4 is a diagram showing an example of an AI device applied to the present disclosure.
  • AI devices include fixed devices such as TVs, projectors, smartphones, PCs, laptops, digital broadcasting terminals, tablet PCs, wearable devices, set-top boxes (STBs), radios, washing machines, refrigerators, digital signage, robots, vehicles, etc. It can be implemented as a device or a movable device.
  • the AI device 600 includes a communication unit 610, a control unit 620, a memory unit 630, an input/output unit (640a/640b), a learning processor unit 640c, and a sensor unit 640d. may include.
  • Blocks 910 to 930/940a to 940d may correspond to blocks 310 to 330/340 of FIG. 3, respectively.
  • the communication unit 610 uses wired and wireless communication technology to communicate with wired and wireless signals (e.g., sensor information, user Input, learning model, control signal, etc.) can be transmitted and received. To this end, the communication unit 610 may transmit information in the memory unit 630 to an external device or transmit a signal received from an external device to the memory unit 630.
  • wired and wireless signals e.g., sensor information, user Input, learning model, control signal, etc.
  • the control unit 620 may determine at least one executable operation of the AI device 600 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. And, the control unit 620 can control the components of the AI device 600 to perform the determined operation. For example, the control unit 620 may request, search, receive, or utilize data from the learning processor unit 640c or the memory unit 630, and may select at least one operation that is predicted or determined to be desirable among the executable operations. Components of the AI device 600 can be controlled to execute operations.
  • control unit 920 collects history information including the operation content of the AI device 600 or user feedback on the operation, and stores it in the memory unit 630 or the learning processor unit 640c, or the AI server ( It can be transmitted to an external device such as Figure 1, 140). The collected historical information can be used to update the learning model.
  • the memory unit 630 can store data supporting various functions of the AI device 600.
  • the memory unit 630 may store data obtained from the input unit 640a, data obtained from the communication unit 610, output data from the learning processor unit 640c, and data obtained from the sensing unit 640.
  • the memory unit 930 may store control information and/or software codes necessary for operation/execution of the control unit 620.
  • the input unit 640a can obtain various types of data from outside the AI device 600.
  • the input unit 620 may obtain training data for model training and input data to which the learning model will be applied.
  • the input unit 640a may include a camera, microphone, and/or a user input unit.
  • the output unit 640b may generate output related to vision, hearing, or tactile sensation.
  • the output unit 640b may include a display unit, a speaker, and/or a haptic module.
  • the sensing unit 640 may obtain at least one of internal information of the AI device 600, surrounding environment information of the AI device 600, and user information using various sensors.
  • the sensing unit 640 may include a proximity sensor, an illumination sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and/or a radar. there is.
  • the learning processor unit 640c can train a model composed of an artificial neural network using training data.
  • the learning processor unit 640c may perform AI processing together with the learning processor unit of the AI server (FIG. 1, 140).
  • the learning processor unit 640c may process information received from an external device through the communication unit 610 and/or information stored in the memory unit 630. Additionally, the output value of the learning processor unit 940c may be transmitted to an external device through the communication unit 610 and/or stored in the memory unit 630.
  • 6G (wireless communications) systems require (i) very high data rates per device, (ii) very large number of connected devices, (iii) global connectivity, (iv) very low latency, (v) battery- The goal is to reduce the energy consumption of battery-free IoT devices, (vi) ultra-reliable connectivity, and (vii) connected intelligence with machine learning capabilities.
  • the vision of the 6G system can be four aspects such as “intelligent connectivity”, “deep connectivity”, “holographic connectivity”, and “ubiquitous connectivity”, and the 6G system can satisfy the requirements as shown in Table 1 below. In other words, Table 1 is a table showing the requirements of the 6G system.
  • the 6G system includes enhanced mobile broadband (eMBB), ultra-reliable low latency communications (URLLC), massive machine type communications (mMTC), AI integrated communication, and tactile communication.
  • eMBB enhanced mobile broadband
  • URLLC ultra-reliable low latency communications
  • mMTC massive machine type communications
  • AI integrated communication and tactile communication.
  • tactile internet high throughput, high network capacity, high energy efficiency, low backhaul and access network congestion, and improved data security. It can have key factors such as enhanced data security.
  • AI The most important and newly introduced technology in the 6G system is AI.
  • AI was not involved in the 4G system.
  • 5G systems will support partial or very limited AI.
  • 6G systems will be AI-enabled for full automation.
  • Advances in machine learning will create more intelligent networks for real-time communications in 6G.
  • Introducing AI in communications can simplify and improve real-time data transmission.
  • AI can use numerous analytics to determine how complex target tasks are performed. In other words, AI can increase efficiency and reduce processing delays.
  • AI can be performed instantly by using AI.
  • AI can also play an important role in M2M, machine-to-human and human-to-machine communications. Additionally, AI can enable rapid communication in BCI (brain computer interface).
  • BCI brain computer interface
  • AI-based communication systems can be supported by metamaterials, intelligent structures, intelligent networks, intelligent devices, intelligent cognitive radios, self-sustaining wireless networks, and machine learning.
  • AI-based physical layer transmission means applying signal processing and communication mechanisms based on AI drivers, rather than traditional communication frameworks, in terms of fundamental signal processing and communication mechanisms. For example, deep learning-based channel coding and decoding, deep learning-based signal estimation and detection, deep learning-based MIMO (multiple input multiple output) mechanism, It may include AI-based resource scheduling and allocation.
  • machine learning can be used for channel estimation and channel tracking, and can be used for power allocation, interference cancellation, etc. in the physical layer of the DL (downlink).
  • Machine learning can also be used for antenna selection, power control, and symbol detection in MIMO systems.
  • Deep learning-based AI algorithms require a large amount of training data to optimize training parameters.
  • a lot of training data is used offline. This means that static training on training data in a specific channel environment may result in a contradiction between the dynamic characteristics and diversity of the wireless channel.
  • signals of the physical layer of wireless communication are complex signals.
  • more research is needed on neural networks that detect complex domain signals.
  • Machine learning refers to a series of operations that train machines to create machines that can perform tasks that are difficult or difficult for humans to perform.
  • Machine learning requires data and a learning model.
  • data learning methods can be broadly divided into three types: supervised learning, unsupervised learning, and reinforcement learning.
  • Neural network learning is intended to minimize errors in output. Neural network learning repeatedly inputs learning data into the neural network, calculates the output of the neural network and the error of the target for the learning data, and backpropagates the error of the neural network from the output layer of the neural network to the input layer to reduce the error. ) is the process of updating the weight of each node in the neural network.
  • Supervised learning uses training data in which the correct answer is labeled, while unsupervised learning may not have the correct answer labeled in the training data. That is, for example, in the case of supervised learning on data classification, the learning data may be data in which each training data is labeled with a category. Labeled learning data is input to a neural network, and error can be calculated by comparing the output (category) of the neural network with the label of the learning data. The calculated error is backpropagated in the reverse direction (i.e., from the output layer to the input layer) in the neural network, and the connection weight of each node in each layer of the neural network can be updated according to backpropagation. The amount of change in the connection weight of each updated node may be determined according to the learning rate.
  • the neural network's calculation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently depending on the number of repetitions of the learning cycle of the neural network. For example, in the early stages of neural network training, a high learning rate can be used to ensure that the neural network quickly achieves a certain level of performance to increase efficiency, and in the later stages of training, a low learning rate can be used to increase accuracy.
  • Learning methods may vary depending on the characteristics of the data. For example, in a communication system, when the goal is to accurately predict data transmitted from a transmitter at a receiver, it is preferable to perform learning using supervised learning rather than unsupervised learning or reinforcement learning.
  • the learning model corresponds to the human brain, and can be considered the most basic linear model.
  • deep learning is a machine learning paradigm that uses a highly complex neural network structure, such as artificial neural networks, as a learning model. ).
  • Neural network cores used as learning methods are broadly divided into deep neural networks (DNN), convolutional deep neural networks (CNN), and recurrent neural networks (recurrent boltzmann machine). And this learning model can be applied.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • recurrent neural networks recurrent boltzmann machine
  • a new communication system may perform communication based on AI as described above.
  • the terminal when the terminal performs uplink transmission to the base station, the terminal may be allocated uplink resources from the base station and perform uplink transmission through the allocated resources.
  • the terminal recognizes that data is generated, makes a resource request to the base station according to the resource request configuration for data transmission based on the data generation, and transmits data through the resources obtained based on this, there is a significant delay. This can happen.
  • the low-delay requirement may not be satisfied by allocating uplink resources based on the existing resource request procedure and performing uplink transmission based on this.
  • the low-delay requirement is based on traffic prediction to reduce delay. This describes how to perform a resource request.
  • Figure 5 is a diagram showing a method for a terminal to request uplink resources from a base station according to an embodiment of the present disclosure.
  • the terminal 510 can check whether uplink resources for transmitting the data have been allocated. If appropriate uplink resources are not allocated for data transmission, the terminal 510 determines that uplink resources are not allocated and requests scheduling to request resource allocation from the base station 520. (scheduling request, SR) can be transmitted.
  • the base station 520 in FIG. 5 may be a gNB, but this is only a configuration for convenience of explanation, and may be an eNB or another form, and is not limited to a specific form. In the following, for convenience of explanation, the description is based on the base station 520.
  • the terminal 510 may receive SR configuration information through a radio resource control (RRC) message from the base station 520 and set the SR configuration.
  • the SR configuration may be information set to generate data in the buffer of the terminal 510 and transmit the SR to the base station 520.
  • the terminal 510 may transmit the SR to the base station 520 based on the SR configuration information.
  • the terminal 510 may transmit the SR to the base station 520 through a physical uplink control channel (PUCCH).
  • the terminal 520 may transmit SR to the base station through uplink control information (UCI) piggybacked on a physical uplink shared channel (PUSCH), and may not be limited to a specific form.
  • UCI uplink control information
  • PUSCH physical uplink shared channel
  • operations for uplink data transmission may consider the operations in Table 2 below, but may not be limited thereto. Additionally, SR operations that request resources for uplink data transmission may refer to Table 3 below, but may not be limited thereto.
  • a plurality of SRs may be set in the terminal 510.
  • the terminal 510 may notify the base station 520 of the arrival of higher priority data as urgent data based on the priority of the arrived data.
  • the terminal 510 can quickly request uplink resource allocation from the base station 520 based on the multiple SRs when high priority data arrives, thereby reducing delay. You can.
  • the terminal 510 requests uplink resources for data transmission after generating data in the buffer, and performs data transmission after being allocated an uplink source based on this, so a delay may occur. There is no outside.
  • the base station may allocate a configured grant to the terminal.
  • configured grants allocate resources periodically, resource waste may occur.
  • it may be difficult to process URLLC data that occurs sporadically with the configured grant and the following describes a method of performing a resource request based on traffic prediction based on the above.
  • the terminal may report information on data arriving in the buffer in relation to uplink data transmission to the base station, and may be performed based on a buffer status report (BSR) procedure.
  • BSR buffer status report
  • the BSR may operate based on Table 4 below, but may not be limited thereto.
  • retransmission may be necessary in relation to the terminal's uplink data transmission, and retransmission may be performed based on a Hybrid Automatic Repeat and request (HARQ) operation.
  • HARQ Hybrid Automatic Repeat and request
  • a plurality of parallel HARQ processes may be configured in the terminal, and data transmission and retransmission may be performed based on each HARQ process.
  • HARQ operation may be operated based on Table 5 below, but may not be limited thereto.
  • the terminal can determine whether uplink resources suitable for transmitting the data exist. If the terminal is not allocated uplink resources suitable for data transmission, the terminal may request uplink resources by transmitting an SR to the base station, as described above. Additionally, a plurality of SRs may be mapped to the terminal for each traffic type based on the SR configuration set by the base station. The terminal can be allocated uplink resources by triggering an SR and transmitting it to the base station, considering the traffic type and priority. That is, data transmission can be performed based on signaling between the terminal and the base station based on the time when data is generated in the terminal, and accordingly, a delay of a certain amount of time may occur.
  • the terminal may be equipped with an AI/ML model that has learned uplink traffic prediction (UL traffic prediction).
  • an AI/ML model may perform uplink traffic prediction based on various methods, and the method by which an AI/ML model performs learning may not be limited to a specific type.
  • an AI/ML model capable of learning uplink traffic prediction is provided in the terminal so that the terminal can predict uplink traffic, but the learning method or AI/ML model for this may not be limited to a specific form.
  • the description is based on a terminal equipped with an AI/ML model that has learned uplink traffic prediction.
  • a terminal equipped with an AI/ML model that has learned uplink traffic prediction can predict in advance whether uplink resources will be generated.
  • the terminal can trigger the SR in advance based on the prediction information even before data is generated in the buffer and transmit the SR to the base station before the data arrival time.
  • the SR transmission time can also be determined at a specific time. Therefore, SR can be set to n SR resources at n candidate times.
  • the SR configuration information set by the base station to the terminal may include n SR resource information for n candidate viewpoints.
  • the SR based on a specific point in time may be a predictive SR.
  • the predicted SR is only a name for convenience of explanation and may not be limited to that name. That is, the base station can set n SR resources for n candidate time points based on the SR triggered before data generation, and in the following, the corresponding SR is referred to as a predicted SR for convenience of explanation. However, it may not be limited to a specific name.
  • not all terminals may be equipped with an AI/ML model that has learned uplink traffic prediction. Whether or not each terminal is equipped with an AI/ML model that learned uplink traffic prediction may be different, and information related to the AI/ML model may also be different. As a specific example, a terminal may be equipped with an AI/ML model that learned uplink traffic prediction for a new communication system, but a legacy terminal may not be equipped with the AI/ML model described above. Therefore, whether an AI/ML model that has learned uplink traffic prediction is available can be shared with the base station through terminal capability information as a terminal capability.
  • the base station can negotiate in advance with the terminal the capability of the AI/ML model for predicting uplink traffic. If the terminal has the capability for AI/ML model for predicting uplink traffic, the base station can set one or more SR resources for prediction SR to the terminal.
  • a terminal allocated one or more predicted SR resources can recognize prediction information generated according to an AI/ML model for predicting uplink traffic.
  • the terminal may select at least one or more of one or more SR resources set in the terminal based on prediction information obtained through an AI/ML model and request uplink resources before data generation. In other words, even before data arrives in the buffer, the terminal can be allocated uplink resources by transmitting a predicted SR based on the AI/ML model results regardless of whether data arrives.
  • FIG. 6 is a diagram showing a terminal operation method according to an embodiment of the present disclosure.
  • the terminal can negotiate with the base station about the capabilities of the AI model (S610). That is, as described above, whether the terminal is equipped with an AI/ML model for predicting uplink traffic. Capability information based on can be transmitted to the base station.
  • the base station can perform SR configuration by considering the capability information of the terminal. For example, if the terminal is equipped with an AI/ML model for predicting uplink traffic, the base station may transmit a predictive SR configuration including a plurality of pieces of predictive SR resource configuration information to the terminal (S620).
  • the terminal may reflect the results of the AI/ML model based on the predicted SR configuration information received from the base station and trigger at least one predicted SR among a plurality of predicted SR resources set in the predicted SR configuration information (S630). Afterwards, the terminal may select at least one predicted SR and transmit the SR to the base station regardless of whether data has occurred in the buffer (S640).
  • the terminal may collect data related to the generation and transmission of uplink traffic. Additionally, the terminal may be equipped with an AI/ML model that learns about traffic generation according to the characteristics of the terminal. Based on its AI/ML model, the terminal can inform the base station of its capabilities during the capability negotiation process.
  • Figure 7 is a diagram showing a method for a terminal and a base station to perform capability negotiation according to an embodiment of the present invention.
  • the terminal 710 may receive a terminal capability request message (UECapabilityEnquiry) from the base station 720 and transmit terminal capability information to the base station based on this.
  • the terminal can transmit information about whether it has an AI/ML model for learning the above-described uplink traffic prediction to the base station.
  • the terminal and the base station can recognize whether the terminal has an AI/ML model based on the capability negotiation procedure and perform capability negotiation.
  • the terminal and base station can create a new procedure through capability negotiation considering AI/ML operations.
  • terminals and base stations can use new capability negotiation procedures for AI/ML operations.
  • terminals and base stations can use existing capability negotiation procedures for other capability information.
  • terminals and base stations can perform capability negotiation procedures for AI/ML model-related capabilities through a new capability negotiation procedure for AI/ML models, but are not limited to a specific form.
  • a new IE (information element) for transmitting the AI/ML-related capability information of the terminal is required.
  • AI/ML model information related to uplink traffic prediction may be included within the corresponding IE.
  • information that can be negotiated between the terminal and the base station may include at least one of the information in Table 6 below.
  • the information negotiated between the terminal and the base station may include information about the learning method of the AI/ML model as well as information about whether the terminal has an AI/ML model.
  • AI/ML models can be learned based on offline or online methods and are not limited to a specific form.
  • input information, learning information, and inference data information may be included as negotiation information in relation to AI/ML model learning.
  • the terminal can transmit information related to the operation of the AI/ML model equipped with the terminal to perform data traffic prediction as AI/ML model-related information to the base station through a capability negotiation procedure.
  • the information negotiated between the terminal and the base station may be traffic type information for output data based on an AI/ML model.
  • the traffic type may be set based on a logical channel (LCH) unit, a logical channel group (LCG) unit, or a data radio bearer unit, and which traffic type the output data based on the AI/ML model reflects.
  • Information about may be included in the information being negotiated.
  • a time unit may be a unit for recognizing a prediction.
  • the time unit may be 0.5ms, but this is only an example and may not be limited thereto.
  • output data based on an AI/ML model may include information on the start and end points of predictions for traffic generation in the negotiated information.
  • information about predictable sections through AI/ML models can be transmitted to the base station as capability information.
  • information predicting traffic that may occur from 0.5 ms to 10 ms based on AI/ML model output data may be included in the negotiated information, but this is only an example and is not limited to the above-described embodiment.
  • Figure 7 is a diagram illustrating a method of performing a capability negotiation procedure between a terminal and a base station according to an embodiment of the present disclosure.
  • the terminal 710 and the base station 720 may perform a capability negotiation procedure.
  • the above-described AI model-related capability information may be transmitted in the capability negotiation procedure.
  • the terminal 710 and the base station 720 may exchange capability information about the traffic prediction-related AI model of the terminal 710, as described above.
  • the base station 720 can check capability information about the AI model related to traffic prediction from the terminal 710 and set a predictive SR (SR) for the terminal 710.
  • SR predictive SR
  • traffic prediction for predictive SR may be an AI/ML model that indicates when uplink traffic of the terminal occurs.
  • input data for an AI/ML model may be information reflecting the terminal's environment information and terminal status information.
  • the terminal 710 can use environmental information and terminal status information as input data and derive the expected time when uplink traffic arrives in the buffer of the terminal based on an AI/ML model as output data.
  • environmental information and terminal status information may include the terminal's location, movement speed, time, application usage frequency, and other information, and may not be limited to a specific form.
  • the output data may be information about the expected time of data generation.
  • the time interval unit for expected timing information derived as output data may be set in various ways.
  • the time interval unit for viewpoint information may be set based on at least one of symbol, slot, ms, subframe, and frame units, but this is only an example and may not be limited to a specific form.
  • the time interval unit information for the viewpoint information may be determined in the process of performing a capability negotiation procedure at the terminal 710 and the base station 720.
  • time interval unit information may be determined as a preset value.
  • the time interval unit may be defined as a preset value in the standard, but may not be limited thereto.
  • the output data derived through the AI/ML model may be as shown in Table 7 below.
  • the time interval unit of the prediction time based on the AI/ML model can be determined through a capability negotiation procedure between the terminal 710 and the base station 720.
  • the time interval unit is determined as 0.5ms or symbol, but it may not be limited to this.
  • the expected time when uplink data will arrive in the buffer of the terminal for each traffic type (or logical channel) can be derived, and through this, the terminal 710 can transmit the predicted SR to the base station 720 in advance. there is.
  • the predicted SR may be triggered in advance, and then actual data may be received and the BSR for the traffic type may be triggered. For example, after the BSR is triggered, the terminal 710 can check whether a previously triggered and transmitted predicted SR exists. At this time, if there is a predicted SR corresponding to the traffic type of the triggered BSR, the terminal 710 can immediately use uplink resources for BSR transmission without triggering a new SR, thereby reducing delay. .
  • the AI/ML model can derive not only a prediction of when uplink occurs but also the buffer size as output data.
  • the terminal 710 was able to report the buffer size to the base station 720 based on a buffer status report (BSR).
  • BSR buffer status report
  • the terminal 710 may trigger a predictive BSR and transmit it to the base station 720.
  • the predicted BSR MAC (medium access control) CE (control element) field for the predicted BSR may be as shown in Table 8 below, but may not be limited thereto. That is, the predicted BSR MAC CE may include at least one of the LCG ID, predicted buffer size, and predicted traffic arrival time value, and the corresponding information may be reported to the base station 720.
  • the operation of the terminal 710 may differ depending on whether uplink resources capable of transmitting a triggered prediction BSR exist. For example, if uplink resources exist in the terminal 710, the terminal 710 may transmit the above-described predicted BSR MAC CE through the corresponding uplink resources. On the other hand, if there are no uplink resources for triggered prediction BSR transmission, the prediction BSR of the terminal 710 may trigger SR. As an example, the SR triggered based on the predicted BSR may be an existing SR or the above-described predicted SR, and may not be limited to a specific form.
  • the UE can trigger the SR mapped to the logical channel (LCH) that triggered the predictive BSR.
  • the UE may transmit a predictive BSR using resources allocated by an SR triggered by the predictive BSR.
  • the transmitted predicted BSR may include the traffic arrival prediction value among the values in Table 8, but may not be limited thereto.
  • the predictive BSR may be transmitting the BSR in advance before data arrives in the buffer. Therefore, SR for predictive BSR transmission can be used.
  • the SR for predicted BSR transmission may be a resource request for the base station 720 to allocate uplink resources sufficient to transmit the predicted BSR MAC CE.
  • the terminal 710 can transmit the predicted BSR using the resources allocated by the SR for transmitting the predicted BSR. Additionally, the terminal 710 may expect to be allocated uplink resources from the base station 720 based on the traffic arrival prediction value included in the predicted BSR, but may not be limited thereto.
  • the base station 720 can set at least one predicted SR for the terminal 710, and resource information for the predicted SR needs to be determined.
  • the base station can set n predicted SRs to the UE.
  • the terminal may trigger an SR based on a logical channel and transmit it to the base station, but may not be limited to this.
  • the base station may configure SR PUCCH (physical uplink control channel) resources corresponding to information associated with the SR configuration for the logical channel to the terminal.
  • SR PUCCH physical uplink control channel
  • n predicted SR PUCCHs may be set for an SR containing the highest priority logical channel.
  • a case where the terminal performs data transmission through logical channel 0, logical channel 1, and logical channel 2 can be considered.
  • three SR PUCCHs for logical channel 0, logical channel 1, and logical channel 2 may be set, as shown in Table 9 below. That is, the UE may be configured with an SR PUCCH corresponding to an SR triggered based on data generation as well as an SR PUCCH corresponding to a predicted SR triggered based on data prediction.
  • SR PUCCH 2 can be set to the SR PUCCH configuration for logical channel 0, logical channel 1, and logical channel 2 based on output data that predicts data generation after 1 ms based on the AI/ML model.
  • the terminal can selectively use a plurality of SR PUCCHs configured in the terminal depending on when data arrives in the buffer and when data arrival is predicted based on an AI/ML model.
  • SR PUCCH may be configured for one or more logical channels.
  • the SR PUCCH for one or more logical channels may be an SR PUCCH for an SR based on data generation and an SR based on data generation prediction.
  • FIG. 8 is a diagram illustrating a method for triggering a prediction SR according to an embodiment of the present disclosure.
  • the terminal 810 and the base station 820 may negotiate a terminal capability negotiation procedure.
  • whether the terminal 810 has an AI/ML model and information related to the AI/ML model can be exchanged between the terminal 810 and the base station 820, as described above.
  • a case where the base station 820 sets n predicted SRs for the terminal 810 can be considered.
  • SR PUCCH resources independent of the existing SR configuration can be set for predictive SR, as described above.
  • n pieces of time information for n predicted SRs can be set can be considered.
  • the terminal 810 When the terminal 810 receives at least one predicted SR from the base station 820, the terminal 810 sends an SR according to the data generation prediction to the base station 820 in advance even if data does not arrive in the buffer through the AI/ML model. It can be sent to .
  • the base station 820 may obtain information on the uplink resource allocation time point desired by the terminal 810 based on the received SR, and allocate the uplink resource (UL grant) at that time point or immediately after that time point. If the data predicted based on the received uplink resources is successfully generated in the buffer, the terminal 810 can perform data transmission through the uplink resources allocated through the SR, as shown in Figure 8 It can be the same.
  • reliability information may be derived as accuracy information for output data derived based on an AI/ML model, which is a traffic prediction model, and transmitted to the base station 820.
  • the base station 820 may not have enough resources to allocate to two or more terminals if the timing of resources requested by two or more terminals is the same. .
  • the base station 820 can allocate uplink resources to each terminal.
  • the base station 820 can determine the priorities between the terminals and allocate uplink resources to the terminal with higher priority.
  • the predictive SR is triggering on predicted data before actual data occurs, so the accuracy of actual data generation may not be 100%. In other words, actual data may not be generated in the terminal at the corresponding time for the predicted SR.
  • the terminal 810 may transmit reliability information of the output data of the AI/ML model to the base station 820 along with the predicted SR.
  • the predicted SR may include reliability information and may not be limited to a specific form.
  • the prediction SR may transmit reliability information to the base station 820 along with specific logical channel information and data generation prediction time information.
  • Table 10 may be a method in which the terminal 810 operates based on a plurality of predicted SRs set in the terminal, but may not be limited thereto.
  • the base station 820 may receive a predicted SR containing reliability information from the terminal 810 and determine priorities for a plurality of terminals by reflecting the received reliability information.
  • MAC CE based on predictive SR cancellation may be set. That is, the terminal can inform the base station through MAC CE transmission, which indicates cancellation of the predicted SR, that the uplink resources allocated based on the predicted SR are not used. As another example, the terminal may transmit a physical uplink shared channel (PUSCH) containing null data on allocated uplink resources. Through this, the base station can indicate to the base station that the resources for the uplink grant are for transmission of meaningless data.
  • PUSCH physical uplink shared channel
  • the base station may recognize that HARQ operation and error recovery procedures based on the corresponding uplink resource are unnecessary based on the above-described indication information.
  • the base station may transmit the above-described information to the upper layer and may not perform the corresponding procedure, but may not be limited to this.
  • the terminal may recognize data generation prediction errors in advance after transmitting the prediction SR.
  • data generation prediction errors can be recognized before the terminal is allocated uplink resources from the base station after transmitting the prediction SR.
  • the terminal may indicate to the base station that the previously transmitted predicted SR transmission was incorrectly transmitted (or canceled).
  • SR PUCCH may be additionally set based on SR cancellation information. That is, the terminal can transmit SR PUCCH, which means SR cancellation information, to the base station to indicate to the base station that the corresponding predicted SR is cancelled. Through this, the base station can avoid allocating unnecessary uplink resources to the terminal and prevent resource waste.
  • the prediction SR needs to be set in a logical channel with higher priority.
  • it can be set for delay sensitive data (delay sensitive traffic type) such as URLLC traffic, thereby reducing delay.
  • FIG. 9 is a diagram illustrating a method for configuring a plurality of SR configuration sets in a terminal according to an embodiment of the present disclosure.
  • the terminal 910 and the base station 920 can perform a capability negotiation procedure, and based on this, information related to AI/ML models can be exchanged with each other, as described above.
  • the base station 920 may configure a plurality of SR configuration sets for predicted SRs to the terminal 910 through an RRC message based on the SR configuration.
  • a plurality of SR configuration sets for predicted SRs may be configured based on n predicted time values.
  • the base station 920 may reset the SR configuration of the terminal 910 by transmitting a new RRC message.
  • a preset range value for the data prediction success rate may be pre-assigned to each SR setting set.
  • the base station 920 may configure SR configuration set A, SR configuration set B, and SR configuration set C to the terminal 910 as a plurality of SR configuration sets.
  • the prediction success rate corresponding to each SR setting set can be set as follows: SR setting set A: 70% or less, SR setting set B: 70 to 90%, and SR setting set C: 90% or more, but this is one This is only a specific example and may not be limited thereto.
  • the terminal 910 and the base station 920 can dynamically change the SR configuration set based on the calculated prediction success rate.
  • the prediction success rate may be calculated by the terminal 910.
  • the prediction success rate may be information derived by the base station 920 and fed back to the terminal, and is not limited to a specific embodiment.
  • the terminal 910 and the base station 920 may operate based on the prediction success rate.
  • the terminal 910 can determine whether to apply SR configuration set A, SR configuration set B, and SR configuration set C based on the prediction success rate.
  • the terminal 910 can set not only the number of SRs but also the period differently for each set based on the prediction success rate. For example, when the prediction success rate is low, the terminal 910 may use SR configuration set A as the most basic SR configuration set.
  • SR setting set A may have a short prediction time, and thus may have relatively high prediction accuracy. That is, when the prediction success rate is not high, the terminal 910 can use the minimum SR configuration set to prevent unnecessary uplink resources from being used due to prediction failure.
  • the terminal 910 can use an SR setting set with a long prediction time, and through this, the prediction SR can be applied efficiently.
  • the terminal 910 may perform an AI/ML model-related capability negotiation procedure with the base station 920.
  • the base station 920 is a terminal 910 capable of traffic prediction and can configure one or more SR configuration sets containing at least one predicted SR.
  • the base station 920 may set SR configuration set A, SR configuration set B, and SR configuration set C as the predicted SR configuration sets to the terminal 910.
  • each SR setting set may be corresponded to a prediction success rate value according to Table 11 described above.
  • the terminal 910 can predict the time of data generation based on the output data of the terminal's traffic prediction AI/ML model.
  • the terminal 910 may trigger a prediction SR based on at least one of the prediction SRs mapped to the default SR setting set (default SET A).
  • the terminal 910 may transmit the triggered prediction SR to the base station 920.
  • the base station 920 may allocate uplink resources at or immediately after the time corresponding to the received predicted SR and transmit an uplink grant including information about this to the terminal 910.
  • the terminal 910 can transmit the generated data using the allocated uplink resources.
  • the prediction success rate can be set to 100%.
  • the terminal 910 can apply SR setting set C based on Table 11 described above. That is, the terminal 910 may initially trigger a predictive SR based on the default SR configuration set. Afterwards, the terminal 910 can determine the SR setting set to apply by reflecting the prediction success rate. Through this, the terminal 910 can use the prediction SR by reflecting the prediction success rate.
  • the terminal 910 may predict data generation of the terminal based on the terminal's traffic prediction AI/ML model.
  • the terminal 910 may trigger a prediction SR based on any one of the prediction SRs mapped to the SR configuration set C as the default SR configuration set.
  • the terminal 910 may transmit the triggered prediction SR to the base station 920.
  • the base station 920 may allocate uplink resources at or immediately after the time corresponding to the received predicted SR and transmit information about this to the terminal 910 through an uplink grant.
  • the terminal 910 may recognize that the prediction is incorrect and instruct the base station to cancel the predicted SR. That is, SR cancellation information may be indicated to the base station 920 based on at least one of SR PUCCH based on SR cancellation information, MAC CE based on SR cancellation, BSR value set to 0, and PUSCH including null data.
  • the terminal 910 and the base station 920 can recognize that the prediction is incorrect. Accordingly, the terminal 910 and the base station 920 can reduce the prediction success rate (e.g., set to 80% according to a 20% decrease) and apply SR setting set B to the predicted SR based on Table 11.
  • the prediction success rate e.g., set to 80% according to a 20% decrease
  • the terminal 910 and the base station 920 may share a policy by dynamically changing the SR settings in the SR configuration based on prediction success and failure.
  • the policy may consider the number of predicted transmission success/estimate-based SRs within a time window. As an example, the number of predicted transmission success/estimate-based SRs within a time window may be counted. Additionally, as an example, the policy may set a maximum number of failures for predictive transmission within a time window. That is, the success of the prediction is counted within a specific time window, and the operation can be performed when the maximum number of failures is reached. At this time, the operation may be an operation of setting the SR setting set to the minimum value.
  • the maximum and minimum values for the number of SRs can be set.
  • the above-described information may be included in the SR configuration information and signaled to the terminal 910. That is, the terminal can perform operations on the predicted SR according to the policy based on the SR configuration information.
  • Figure 10 is a flowchart showing how a terminal performs a resource request, according to an embodiment of the present disclosure.
  • the terminal can transmit terminal capability information to the base station (S1010).
  • the terminal can perform a capability negotiation procedure with the base station.
  • the terminal may be a terminal equipped with an AI/ML model for uplink traffic prediction.
  • the terminal can predict the generation time of the first data in the terminal's buffer through an AI/ML model for uplink traffic prediction.
  • Terminal capability information includes information about whether the terminal has an AI/ML model for uplink traffic prediction, information about how learning is performed based on the AI/ML model, and information about the output data for the AI/ML model. It may include at least one of type information, time unit information about the timing of traffic generation for output data, and predictable timing information based on an AI/ML model, as described above.
  • the terminal may receive SR configuration information set based on terminal capability information from the base station (S1020). After that, the terminal may trigger the first SR based on the SR configuration information and transmit it to the base station. (S1020) S1030)
  • the first SR may be an SR that is triggered before the first data is generated in the buffer of the terminal, as described above.
  • buffer size information based on the first data can be further predicted through an AI/ML model for predicting uplink traffic of the terminal.
  • the terminal receives the first data including at least one of ID information for the first data, information on the generation time of the first data, and buffer size information based on the first data.
  • BSR can be triggered and transmitted to the base station.
  • the SR is triggered and transmitted to the base station, and if the triggered SR is the first SR, the first BSR is ID information for the first data and buffer size information based on the first data, and information on the generation time of the first data may be indicated to the base station through the first SR.
  • At least one first SR PUCCH resource and at least one second SR PUCCH resource may be configured in the terminal based on the SR configuration information.
  • at least one 1st SR PUCCH is a PUCCH resource for SR transmission that is triggered based on prediction of the generation time of the first data before data generation in the buffer of the terminal
  • at least one second SR PUCCH is a PUCCH resource generated in the buffer of the terminal. It may be a PUCCH resource for SR transmission triggered based on data.
  • a third SR PUCCH resource may be further configured in the terminal based on SR configuration information. At this time, the third SR PUCCH resource may be a PUCCH resource that cancels the first SR based on prediction failure information that the first data does not occur at the occurrence time based on prediction of the occurrence time, as described above.
  • the first SR may include ID information for the first data and prediction information on the generation time of the first data.
  • the first SR may further include prediction success rate information for generating the first data at the generation time based on prediction information on the generation time of the first data.
  • the SR configuration information may include a plurality of SR configuration set information based on prediction success rate information.
  • the terminal may trigger the first SR based on the first SR configuration set among a plurality of SR configuration sets. Additionally, the terminal may dynamically change the SR configuration set set in the terminal based on prediction success rate information. Additionally, as an example, when the terminal receives an uplink grant indicating uplink resources from the base station based on the first SR, and the first data does not occur at the predicted occurrence time, the terminal cancels the first SR with the base station. can be instructed.
  • cancellation of the first SR may be indicated through at least one of a MAC CE indicating cancellation of the first SR, a BSR set to 0, and a PUSCH containing null data, as described above.
  • the terminal when the terminal detects that data is generated in the buffer of the terminal based on the SR configuration information, it can trigger the second SR and transmit it to the base station. That is, the second SR may be an existing SR.
  • Figure 11 is a flowchart showing how a terminal performs a resource request, according to an embodiment of the present disclosure.
  • the base station can receive terminal capability information from the terminal. (S1110) At this time, as described above, the base station and the terminal can perform a capability negotiation procedure.
  • the terminal may be a terminal equipped with an AI/ML model for uplink traffic prediction. Additionally, the terminal can predict the generation time of the first data in the terminal's buffer through an AI/ML model for uplink traffic prediction.
  • Terminal capability information includes information about whether the terminal has an AI/ML model for uplink traffic prediction, information about how learning is performed based on the AI/ML model, and information about the output data for the AI/ML model. It may include at least one of type information, time unit information about the timing of traffic generation for output data, and predictable timing information based on an AI/ML model, as described above.
  • the base station may set the SR configuration based on the terminal capability information and transmit the set SR configuration information to the terminal (S1120). After that, the base station may transmit the first SR triggered based on the SR configuration information from the terminal. It can be received.
  • the first SR may be an SR that is triggered before the first data is generated in the buffer of the terminal, as described above.
  • buffer size information based on the first data can be further predicted through an AI/ML model for predicting uplink traffic of the terminal.
  • the terminal receives the first data including at least one of ID information for the first data, information on the generation time of the first data, and buffer size information based on the first data.
  • BSR can be triggered and transmitted to the base station.
  • the SR is triggered and transmitted to the base station, and if the triggered SR is the first SR, the first BSR is ID information for the first data and buffer size information based on the first data, and information on the generation time of the first data may be indicated to the base station through the first SR.
  • reliability information of the first SR may be further derived based on the AI/ML model for predicting uplink traffic of the terminal, and may be as shown in Table 10 above. At this time, the reliability information of the first SR may be transmitted to the base station along with the first SR.
  • At least one first SR PUCCH resource and at least one second SR PUCCH resource may be configured in the terminal based on the SR configuration information.
  • at least one 1st SR PUCCH is a PUCCH resource for SR transmission that is triggered based on prediction of the generation time of the first data before data generation in the buffer of the terminal
  • at least one second SR PUCCH is a PUCCH resource generated in the buffer of the terminal. It may be a PUCCH resource for SR transmission triggered based on data.
  • a third SR PUCCH resource may be further configured in the terminal based on SR configuration information. At this time, the third SR PUCCH resource may be a PUCCH resource that cancels the first SR based on prediction failure information that the first data does not occur at the occurrence time based on prediction of the occurrence time, as described above.
  • the first SR may include ID information for the first data and prediction information on the generation time of the first data.
  • the first SR may further include prediction success rate information for generating the first data at the generation time based on prediction information on the generation time of the first data.
  • the SR configuration information may include a plurality of SR configuration set information based on prediction success rate information.
  • the terminal may trigger the first SR based on the first SR configuration set among a plurality of SR configuration sets. Additionally, the terminal may dynamically change the SR configuration set set in the terminal based on prediction success rate information. Additionally, as an example, when the terminal receives an uplink grant indicating uplink resources from the base station based on the first SR, and the first data does not occur at the predicted occurrence time, the terminal cancels the first SR with the base station. can be instructed.
  • cancellation of the first SR may be indicated through at least one of a MAC CE indicating cancellation of the first SR, a BSR set to 0, and a PUSCH containing null data, as described above.
  • the terminal when the terminal detects that data is generated in the buffer of the terminal based on the SR configuration information, it can trigger the second SR and transmit it to the base station. That is, the second SR may be an existing SR.
  • examples of the proposed methods described above can also be included as one of the implementation methods of the present disclosure, and thus can be regarded as a type of proposed methods. Additionally, the proposed methods described above may be implemented independently, but may also be implemented in the form of a combination (or merge) of some of the proposed methods. Information on whether the proposed methods are applicable (or information on the rules of the proposed methods) can be defined so that the base station informs the terminal through a predefined signal (e.g., a physical layer signal or a higher layer signal). there is.
  • a predefined signal e.g., a physical layer signal or a higher layer signal.
  • Embodiments of the present disclosure can be applied to various wireless access systems.
  • Examples of various wireless access systems include the 3rd Generation Partnership Project (3GPP) or 3GPP2 system.
  • Embodiments of the present disclosure can be applied not only to the various wireless access systems, but also to all technical fields that apply the various wireless access systems. Furthermore, the proposed method can also be applied to mmWave and THz communication systems using ultra-high frequency bands.
  • embodiments of the present disclosure can be applied to various applications such as free-running vehicles and drones.

Abstract

본 개시에서는 무선 통신 시스템에서 단말 동작 방법에 있어서, 단말이 기지국으로 단말 능력 정보를 전송하는 단계, 단말 능력 정보에 기초하여 기지국으로부터 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하는 단계 및 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 기지국으로 전송하는 단계를 포함하되, 제 1 SR은 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 기지국으로 전송되는 SR일 수 있다.

Description

무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치에 대한 것이다. 특히, 트래픽 예측에 기초하여 자원 요청을 수행하는 방법 및 장치에 대한 것이다.
무선 접속 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선 접속 시스템은 가용한 시스템 자원(대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템 등이 있다.
특히, 많은 통신 기기들이 큰 통신 용량을 요구하게 됨에 따라 기존 RAT (radio access technology)에 비해 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB) 통신 기술이 제안되고 있다. 또한 다수의 기기 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 매시브 MTC (Machine Type Communications) 뿐만 아니라 신뢰성 (reliability) 및 지연(latency) 민감한 서비스/UE를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치에 대한 것이다.
본 개시는 무선 통신 시스템에서 단말의 트래픽 발생 시점을 예측하여 자원 요청을 수행하는 방법 및 장치에 대한 것이다.
본 개시는 무선 통신 시스템에서 단말의 AI(artificial intelligence)/ML(machine learning) 모델에 기초하여 트래픽 발생 시점을 예측하여 자원 요청을 수행하는 방법 및 장치에 대한 것이다.
본 개시는 무선 통신 시스템에서 단말의 AI/ML 모델 능력 정보를 기지국으로 전송하는 방법 및 장치에 대한 것이다.
본 개시는 무선 통신 시스템에서 단말의 트래픽 발생 시점에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration)을 설정하는 방법 및 장치에 대한 것이다.
본 개시는 무선 통신 시스템에서 단말의 트래픽 발생 시점에 기초하여 SR을 트리거링하는 방법 및 장치에 대한 것이다.
본 개시는 무선 통신 시스템에서 단말의 트래픽 발생 시점에 기초하여 버퍼 상태 보고(buffer status report, BSR)을 트리거링하는 방법 및 장치에 대한 것이다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시 예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말 동작 방법에 있어서, 단말이 기지국으로 단말 능력 정보를 전송하는 단계, 단말 능력 정보에 기초하여 기지국으로부터 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하는 단계 및 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 기지국으로 전송하는 단계를 포함하되, 제 1 SR은 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 기지국으로 전송되는 SR일 수 있다.
또한, 본 개시의 일 예로서, 무선 통신 시스템에서 기지국 동작 방법에 있어서, 단말로부터 단말 능력 정보를 수신하는 단계, 단말로 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 전송하는 단계 및 SR 구성 정보에 기초하여 트리거링된 제 1 SR을 단말로부터 수신하는 단계를 포함하되, 제 1 SR은 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 기지국으로 전송되는SR일 수 있다.
또한, 본 개시의 일 예로서, 송수신기 및 송수신기와 연결된 프로세서를 포함하고, 프로세서는, 송수신기를 이용하여 기지국으로 단말 능력 정보를 전송하고, 송수신기를 이용하여 기지국으로부터 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하고, 송수신기를 이용하여 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 기지국으로 전송하되, 제 1 SR은 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 기지국으로 전송되는SR일 수 있다.
또한, 본 개시의 일 예로서, 무선 통신 시스템의 기지국에 있어서, 송수신기 및 송수신기와 연결된 프로세서를 포함하고, 프로세서는, 송수신기를 이용하여 단말로부터 단말 능력 정보를 수신하고, 송수신기를 이용하여 단말로 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 전송하고, 및 송수신기를 이용하여 SR 구성 정보에 기초하여 트리거링된 제 1 SR을 단말로부터 수신하되, 제 1 SR은 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 기지국으로 전송되는SR일 수 있다.
또한, 본 개시의 일 예로서, 적어도 하나의 메모리 및 적어도 하나의 메모리들과 기능적으로 연결되어 있는 적어도 하나의 프로세서를 포함하는 장치에 있어서, 적어도 하나의 프로세서는 장치가, 기지국으로 단말 능력 정보를 전송하도록 제어하고, 기지국으로부터 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하도록 제어하고, 송수신기를 이용하여 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 기지국으로 전송하도록 제어하되, 제 1 SR은 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 기지국으로 전송되는SR일 수 있다.
또한, 본 개시의 일 예로서, 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서, 프로세서에 의해 실행 가능한(executable) 적어도 하나의 명령어를 포함하며, 적어도 하나의 명령어는, 기지국으로 단말 능력 정보를 전송하도록 제어하고, 기지국으로부터 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하도록 제어하고, 송수신기를 이용하여 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 기지국으로 전송하도록 제어하되, 제 1 SR은 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 기지국으로 전송되는SR일 수 있다.
또한, 다음의 사항들은 공통으로 적용될 수 있다.
본 개시의 일 예로서, 단말은 상향링크 트래픽 예측에 대한 AI(artificial intelligence)/ML(machine learning) 모델을 구비한 단말이고, 상향링크 트래픽 예측에 대한 AI/ML 모델을 통해 단말의 버퍼에 제 1 데이터의 발생 시점을 예측할 수 있다.
또한, 본 개시의 일 예로서, 단말 능력 정보는 단말이 상향링크 트래픽 예측에 대한 AI/ML 모델을 구비하고 있는지 여부에 대한 정보, AI/ML 모델에 기초하여 학습이 수행되는 방식에 대한 정보, AI/ML 모델에 대한 출력 데이터의 타입 정보, 출력 데이터에 대한 트래픽 발생 시점에 대한 시간 단위 정보 및 AI/ML 모델에 기초한 예측 가능 시기 정보 중 적어도 어느 하나를 포함할 수 있다.
또한, 본 개시의 일 예로서, 단말의 상향링크 트래픽 예측에 대한 AI/ML 모델을 통해 제 1 데이터에 기초한 버퍼 사이즈 정보가 더 예측될 수 있다.
또한, 본 개시의 일 예로서, 제 1 데이터에 기초한 버퍼 사이즈 정보가 예측되는 경우, 단말은 제 1 데이터에 대한 아이디 정보, 제 1 데이터의 발생 시점 정보 및 제 1 데이터에 기초한 버퍼 사이즈 정보 중 적어도 어느 하나를 포함하는 제 1 버퍼 상태 보고(buffer status report, BSR)을 트리거링하여 기지국으로 전송할 수 있다.
또한, 본 개시의 일 예로서, 단말에 트리거링된 제 1 BSR에 대한 상향링크 자원이 존재하지 않는 경우, SR이 트리거링되어 기지국으로 전송되고, 트리거링된 SR이 제 1 SR인 경우, 제 1 BSR은 제 1 데이터에 대한 아이디 정보 및 제 1 데이터에 기초한 버퍼 사이즈 정보를 포함하고, 제 1 데이터의 발생 시점 정보는 제 1 SR을 통해 기지국으로 지시될 수 있다.
또한, 본 개시의 일 예로서, 단말의 상향링크 트래픽 예측에 대한 AI/ML 모델에 기초하여 제 1 SR의 신뢰도 정보가 더 도출되고, 제 1 SR의 신뢰도 정보는 제 1 SR과 함께 기지국으로 전송될 수 있다.
또한, 본 개시의 일 예로서, SR 구성 정보에 기초하여 적어도 하나 이상의 제 1 SR PUCCH(physical uplink control channel) 자원 및 적어도 하나 이상의 제 2 SR PUCCH 자원이 단말에 설정되되, 적어도 하나 이상의 제 1 SR PUCCH는 단말의 버퍼에 데이터 발생 전에 제 1 데이터의 발생 시점 예측에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원이고, 적어도 하나 이상의 제 2 SR PUCCH는 단말의 버퍼에 발생한 데이터에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원일 수 있다.
또한, 본 개시의 일 예로서, SR 구성 정보에 기초하여 제 3 SR PUCCH 자원이 단말에 더 설정되되, 제 3 SR PUCCH 자원은 발생 시점 예측에 기초하여 발생 시점에 제 1 데이터가 발생하지 않는 예측 실패 정보에 기초하여 제 1 SR을 취소하는 PUCCH 자원일 수 있다.
또한, 본 개시의 일 예로서, 제 1 SR은 제 1 데이터에 대한 아이디 정보 및 제 1 데이터의 발생 시점 예측 정보를 포함할 수 있다.
또한, 본 개시의 일 예로서, 제 1 SR은 제 1 데이터의 발생 시점 예측 정보에 기초하여 발생 시점에서 제 1 데이터가 발생하는 예측 성공률 정보를 더 포함할 수 있다.
또한, 본 개시의 일 예로서, SR 구성 정보는 예측 성공률 정보에 기초하여 복수 개의 SR 설정 셋 정보를 포함하고, 단말은 복수 개의 SR 설정 셋 중 설정된 제 1 SR 설정 셋에 기초하여 제 1 SR을 트리거링하되, 단말에 설정된 SR 설정 셋은 예측 성공률 정보에 기초하여 동적으로 변동될 수 있다.
또한, 본 개시의 일 예로서, 단말이 제 1 SR에 기초하여 기지국으로부터 상향링크 자원을 지시하는 상향링크 그랜트를 수신하고, 제 1 데이터가 발생 예측 시점에 발생하지 않는 경우, 단말은 기지국으로 제 1 SR의 취소를 지시할 수 있다.
또한, 본 개시의 일 예로서, 단말은 제 1 SR 취소를 지시하는 MAC(medium access control) CE(control element), 0으로 설정된 BSR 및 널 데이터를 포함하는 PUSCH(physical uplink shared channel) 중 적어도 어느 하나를 통해 제 1 SR의 취소를 지시할 수 있다.
또한, 본 개시의 일 예로서, 단말은 SR 구성 정보에 기초하여 단말의 버퍼에 데이터가 발생함을 디텍트하면 제 2 SR을 트리거링하여 기지국으로 전송할 수 있다.
본 개시에 기초한 실시예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 기초한 실시예들에서 자원 요청을 수행하는 방법을 제공할 수 있다.
본 개시에 기초한 실시예들에서 단말의 트래픽 발생 시점을 예측하고, 자원 요청을 수행하는 방법을 제공할 수 있다.
본 개시에 기초한 실시예들에서 단말의 AI/ML 모델에 기초하여 트래픽 발생 시점을 예측하여 자원 요청을 수행하는 방법을 제공할 수 있다.
본 개시에 기초한 실시예들에서 단말의 AI/ML 모델 능력 정보를 기지국으로 전송하는 방법을 제공할 수 있다.
본 개시에 기초한 실시예들에서 단말의 트래픽 발생 시점에 기초하여 SR 구성을 설정하는 방법을 제공할 수 있다.
본 개시에 기초한 실시예들에서 단말의 트래픽 발생 시점에 기초하여 SR을 트리거링하는 방법을 제공할 수 있다.
본 개시에 기초한 실시예들에서 단말의 트래픽 발생 시점에 기초하여 BSR을 트리거링하는 방법을 제공할 수 있다.
본 개시의 실시 예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시 예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시 예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시의 일 실시예에 따라 통신 시스템 예시를 나타낸 도면이다.
도 2는 본 개시의 일 실시예에 따라 무선 기기의 예시를 나타낸 도면이다.
도 3은 본 개시의 일 실시예에 따라 무선 기기의 다른 예시를 나타낸 도면이다.
도 4는 본 개시의 일 실시예에 따라 AI(Artificial Intelligence)의 예시를 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따라 단말이 상향링크 자원을 기지국으로 요청하는 방법을 나타낸 도면이다.
도 6은 본 개시의 일 실시예에 따라 단말 동작 방법을 나타낸 도면이다.
도 7은 본 개시의 일 실시예에 따라 단말과 기지국의 능력 협상 절차를 수행하는 방법을 나타낸 도면이다.
도 8은 본 개시의 일 실시예에 따라 예측 SR을 트리거링하는 방법을 나타낸 도면이다.
도 9는 본 개시의 일 실시예에 따라 복수 개의 SR 구성 셋이 단말에 설정되는 방법을 나타난 도면이다.
도 10은 본 개시의 일 실시예에 따라 단말이 자원 요청을 수행하는 방법을 나타낸 순서도이다.
도 11은 본 개시의 일 실시예에 따라 기지국이 자원 요청에 기초하여 상향링크 자원을 할당하는 방법을 나타낸 순서도이다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침 될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
하기에서는 이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(e.g.(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
본 개시에 적용 가능한 통신 시스템
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 기기들 간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예시를 도시한 도면이다.
도 1을 참조하면, 본 개시에 적용되는 통신 시스템(100)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR, LTE)을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 기기(100c), 휴대 기기(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 기기(100f), AI(artificial intelligence) 기기/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예, 드론)를 포함할 수 있다. XR 기기(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 기기를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기(100d)는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(120a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.
무선 기기(100a~100f)는 기지국(120)을 통해 네트워크(130)와 연결될 수 있다. 무선 기기(100a~100f)에는 AI 기술이 적용될 수 있으며, 무선 기기(100a~100f)는 네트워크(130)를 통해 AI 서버(100g)와 연결될 수 있다. 네트워크(130)는 3G 네트워크, 4G(예, LTE) 네트워크 또는 5G(예, NR) 네트워크 등을 이용하여 구성될 수 있다. 무선 기기(100a~100f)는 기지국(120)/네트워크(130)를 통해 서로 통신할 수도 있지만, 기지국(120)/네트워크(130)를 통하지 않고 직접 통신(예, 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(예, V2V(vehicle to vehicle)/V2X(vehicle to everything) communication)을 할 수 있다. 또한, IoT 기기(100f)(예, 센서)는 다른 IoT 기기(예, 센서) 또는 다른 무선 기기(100a~100f)와 직접 통신을 할 수 있다.
본 개시에 적용 가능한 통신 시스템
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 2를 참조하면, 제1 무선 기기(200a)와 제2 무선 기기(200b)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(200a), 제2 무선 기기(200b)}은 도 1의 {무선 기기(100x), 기지국(120)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.
제1 무선 기기(200a)는 하나 이상의 프로세서(202a) 및 하나 이상의 메모리(204a)를 포함하며, 추가적으로 하나 이상의 송수신기(206a) 및/또는 하나 이상의 안테나(208a)을 더 포함할 수 있다. 프로세서(202a)는 메모리(204a) 및/또는 송수신기(206a)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202a)는 메모리(204a) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206a)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202a)는 송수신기(206a)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204a)에 저장할 수 있다. 메모리(204a)는 프로세서(202a)와 연결될 수 있고, 프로세서(202a)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204a)는 프로세서(202a)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202a)와 메모리(204a)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206a)는 프로세서(202a)와 연결될 수 있고, 하나 이상의 안테나(208a)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206a)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206a)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200b)는 하나 이상의 프로세서(202b), 하나 이상의 메모리(204b)를 포함하며, 추가적으로 하나 이상의 송수신기(206b) 및/또는 하나 이상의 안테나(208b)를 더 포함할 수 있다. 프로세서(202b)는 메모리(204b) 및/또는 송수신기(206b)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202b)는 메모리(204b) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206b)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202b)는 송수신기(206b)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204b)에 저장할 수 있다. 메모리(204b)는 프로세서(202b)와 연결될 수 있고, 프로세서(202b)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204b)는 프로세서(202b)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202b)와 메모리(204b)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206b)는 프로세서(202b)와 연결될 수 있고, 하나 이상의 안테나(208b)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206b)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206b)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 기기(200a, 200b)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(202a, 202b)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 계층(예, PHY(physical), MAC(media access control), RLC(radio link control), PDCP(packet data convergence protocol), RRC(radio resource control), SDAP(service data adaptation protocol)와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 하나 이상의 PDU(Protocol Data Unit) 및/또는 하나 이상의 SDU(service data unit)를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(206a, 206b)에게 제공할 수 있다. 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)로부터 신호(예, 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
하나 이상의 프로세서(202a, 202b)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(202a, 202b)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 하나 이상의 ASIC(application specific integrated circuit), 하나 이상의 DSP(digital signal processor), 하나 이상의 DSPD(digital signal processing device), 하나 이상의 PLD(programmable logic device) 또는 하나 이상의 FPGA(field programmable gate arrays)가 하나 이상의 프로세서(202a, 202b)에 포함될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(202a, 202b)에 포함되거나, 하나 이상의 메모리(204a, 204b)에 저장되어 하나 이상의 프로세서(202a, 202b)에 의해 구동될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.
하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(204a, 204b)는 ROM(read only memory), RAM(random access memory), EPROM(erasable programmable read only memory), 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(204a, 204b)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(202a, 202b)와 연결될 수 있다.
하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치로부터 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)와 연결될 수 있고, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)를 통해 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예, 안테나 포트)일 수 있다. 하나 이상의 송수신기(206a, 206b)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(202a, 202b)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(206a, 206b)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
본 개시에 적용 가능한 무선 기기 구조
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 3을 참조하면, 무선 기기(300)는 도 2의 무선 기기(200a, 200b)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(300)는 통신부(310), 제어부(320), 메모리부(330) 및 추가 요소(340)를 포함할 수 있다. 통신부는 통신 회로(312) 및 송수신기(들)(314)을 포함할 수 있다. 예를 들어, 통신 회로(312)는 도 2의 하나 이상의 프로세서(202a, 202b) 및/또는 하나 이상의 메모리(204a, 204b)를 포함할 수 있다. 예를 들어, 송수신기(들)(314)는 도 2의 하나 이상의 송수신기(206a, 206b) 및/또는 하나 이상의 안테나(208a, 208b)을 포함할 수 있다. 제어부(320)는 통신부(310), 메모리부(330) 및 추가 요소(340)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(320)는 메모리부(330)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(320)는 메모리부(330)에 저장된 정보를 통신부(310)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(310)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(330)에 저장할 수 있다.
추가 요소(340)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(340)는 파워 유닛/배터리, 입출력부(input/output unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기(300)는 로봇(도 1, 100a), 차량(도 1, 100b-1, 100b-2), XR 기기(도 1, 100c), 휴대 기기(도 1, 100d), 가전(도 1, 100e), IoT 기기(도 1, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 1, 140), 기지국(도 1, 120), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.
도 3에서 무선 기기(300) 내의 다양한 요소, 성분, 유닛/부, 및/또는 모듈은 전체가 유선 인터페이스를 통해 상호 연결되거나, 적어도 일부가 통신부(310)를 통해 무선으로 연결될 수 있다. 예를 들어, 무선 기기(300) 내에서 제어부(320)와 통신부(310)는 유선으로 연결되며, 제어부(320)와 제1 유닛(예, 130, 140)은 통신부(310)를 통해 무선으로 연결될 수 있다. 또한, 무선 기기(300) 내의 각 요소, 성분, 유닛/부, 및/또는 모듈은 하나 이상의 요소를 더 포함할 수 있다. 예를 들어, 제어부(320)는 하나 이상의 프로세서 집합으로 구성될 수 있다. 예를 들어, 제어부(320)는 통신 제어 프로세서, 어플리케이션 프로세서(application processor), ECU(electronic control unit), 그래픽 처리 프로세서, 메모리 제어 프로세서 등의 집합으로 구성될 수 있다. 다른 예로, 메모리부(330)는 RAM, DRAM(dynamic RAM), ROM, 플래시 메모리(flash memory), 휘발성 메모리(volatile memory), 비-휘발성 메모리(non-volatile memory) 및/또는 이들의 조합으로 구성될 수 있다.
도 4는 본 개시에 적용되는 AI 기기의 예시를 도시한 도면이다. 일 예로, AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 4를 참조하면, AI 기기(600)는 통신부(610), 제어부(620), 메모리부(630), 입/출력부(640a/640b), 러닝 프로세서부(640c) 및 센서부(640d)를 포함할 수 있다. 블록 910~930/940a~940d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(610)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 1, 100x, 120, 140)나 AI 서버(도 1, 140) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(610)는 메모리부(630) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(630)로 전달할 수 있다.
제어부(620)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(600)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(620)는 AI 기기(600)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(620)는 러닝 프로세서부(640c) 또는 메모리부(630)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(600)의 구성 요소들을 제어할 수 있다. 또한, 제어부(920)는 AI 장치(600)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(630) 또는 러닝 프로세서부(640c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(630)는 AI 기기(600)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(630)는 입력부(640a)로부터 얻은 데이터, 통신부(610)로부터 얻은 데이터, 러닝 프로세서부(640c)의 출력 데이터, 및 센싱부(640)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(930)는 제어부(620)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(640a)는 AI 기기(600)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(620)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(640a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(640b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(640b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(640)는 다양한 센서들을 이용하여 AI 기기(600)의 내부 정보, AI 기기(600)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(640)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.
러닝 프로세서부(640c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(640c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(640c)는 통신부(610)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(630)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(940c)의 출력 값은 통신부(610)를 통해 외부 기기로 전송되거나/되고, 메모리부(630)에 저장될 수 있다.
6G 통신 시스템
6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 “intelligent connectivity”, “deep connectivity”, “holographic connectivity”, “ubiquitous connectivity”와 같은 4가지 측면일 수 있으며, 6G 시스템은 하기 표 1과 같은 요구 사항을 만족시킬 수 있다. 즉, 표 1은 6G 시스템의 요구 사항을 나타낸 표이다.
Figure PCTKR2022009612-appb-img-000001
이때, 6G 시스템은 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB), 초-저지연 통신(ultra-reliable low latency communications, URLLC), mMTC (massive machine type communications), AI 통합 통신(AI integrated communication), 촉각 인터넷(tactile internet), 높은 스루풋(high throughput), 높은 네트워크 능력(high network capacity), 높은 에너지 효율(high energy efficiency), 낮은 백홀 및 접근 네트워크 혼잡(low backhaul and access network congestion) 및 향상된 데이터 보안(enhanced data security)과 같은 핵심 요소(key factor)들을 가질 수 있다.
인공 지능(artificial Intelligence, AI)
6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.
핸드 오버, 네트워크 선택, 자원 스케줄링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(brain computer interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.
최근 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer) 특히, 딥 러닝은 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층으로 발전하고 있으며, 특히 물리계층에서 딥 러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
또한, 머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥 러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소(complex) 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.
이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.
머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어 내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.
신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.
지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다
데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.
러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.
학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural networks, DNN), 합성곱 신경망(convolutional deep neural networks, CNN), 순환 신경망(recurrent boltzmann machine, RNN) 방식이 있으며, 이러한 러닝 모델이 적용될 수 있다.
일 예로, 새로운 통신 시스템(e.g. 6G 시스템)은 상술한 바와 같이 AI에 기초하여 통신을 수행할 수 있다. 여기서, 단말이 기지국으로 상향링크 전송을 수행하는 경우, 단말은 상향링크 자원을 기지국으로부터 할당 받고, 할당된 자원을 통해 상향링크 전송을 수행할 수 있다. 다만, 단말이 데이터가 발생함을 인지하고, 데이터 발생에 기초하여 데이터 전송을 위해 자원 요청 구성에 따라 기지국으로 자원 요청을 수행하고, 이에 기초하여 획득한 자원을 통해 데이터를 전송하는 경우에는 상당한 지연이 발생할 수 있다.
새로운 통신 시스템(e.g. 6G 시스템)에서는 URLLC (ultra reliable low latency communication)를 고려한 저지연 요구사항이 높아질 수 있다. 따라서, 기존 자원 요청 절차에 기초하여 상향링크 자원을 할당받고, 이에 기초하여 상향링크 전송을 수행하는 동작에 의해서는 저지연 요구사항을 만족시키지 못할 수 있으며, 하기에서는 지연을 줄이기 위해 트래픽 예측에 기초하여 자원 요청을 수행하는 방법에 대해 서술한다.
일 예로, 도 5는 본 개시의 일 실시예에 따라 단말이 상향링크 자원을 기지국으로 요청하는 방법을 나타낸 도면이다. 도 5를 참조하면, 기존 통신 시스템에서 단말(510)은 버퍼에 데이터가 도착하면 해당 데이터 전송을 위한 상향링크 자원이 할당되었는지 여부를 확인할 수 있다. 단말(510)은 해당 데이터 전송을 위해 적합한 상향링크 자원이 할당되지 않은 경우, 단말(510)은 상향링크 자원이 할당되지 않았음을 판단하고, 기지국(520)으로 자원 할당을 요청하기 위해 스케줄링 요청(scheduling request, SR)을 전달할 수 있다. 일 예로, 도 5에서 기지국(520)은 gNB일 수 있으나, 이는 설명의 편의를 위한 구성일 뿐, eNB 또는 다른 형태일 수 있으며, 특정 형태로 한정되지 않는다. 하기에서는 설명의 편의를 위해 기지국(520)을 기준으로 서술한다.
일 예로, 단말(510)은 기지국(520)으로부터 RRC(radio resource control) 메시지를 통해 SR 구성(SR configuration) 정보를 수신하고, SR 구성을 설정할 수 있다. 여기서, SR 구성은 단말(510)의 버퍼에 데이터가 발생하여 SR을 기지국(520)으로 전송하기 위해 설정되는 정보일 수 있다. 단말(510)은 버퍼에 데이터가 발생하면 SR 구성 정보에 기초하여 SR을 기지국(520)으로 전송할 수 있다. 일 예로, 단말(510)은 PUCCH(physical uplink control channel)를 통해 SR을 기지국(520)으로 전달할 수 있다. 또 다른 일 예로, 단말(520)은 PUSCH(physical uplink shared channel)에 피기백된 UCI(uplink control information)을 통해 SR을 기지국으로 전달할 수 있으며, 특정 형태로 한정되는 것은 아닐 수 있다.
그 후, 단말(510)은 기지국(520)으로부터 할당된 상향링크 자원을 지시하는 UL 그랜트(UL grant)를 수신할 수 있으며, 상향링크 전송 자원을 확인할 수 있다. 일 예로, UL 그랜트는 DCI(downlink control information)을 통해 단말(510)로 전달될 수 있다. 단말(510)은 해당 상향링크 자원을 통해 데이터를 기지국(520)으로 전송할 수 있다.
일 예로, 상술한 바에 기초하여 상향링크 데이터 전송에 대한 동작은 하기 표 2의 동작을 고려할 수 있으나, 이에 한정되는 것은 아닐 수 있다. 또한, 상향링크 데이터 전송을 위해 자원을 요청하는 SR 동작은 하기 표 3을 참조할 수 있으나, 이에 한정되는 것은 아닐 수 있다.
Figure PCTKR2022009612-appb-img-000002
Figure PCTKR2022009612-appb-img-000003
Figure PCTKR2022009612-appb-img-000004
Figure PCTKR2022009612-appb-img-000005
Figure PCTKR2022009612-appb-img-000006
Figure PCTKR2022009612-appb-img-000007
Figure PCTKR2022009612-appb-img-000008
Figure PCTKR2022009612-appb-img-000009
Figure PCTKR2022009612-appb-img-000010
Figure PCTKR2022009612-appb-img-000011
또한, 일 예로, 현재 통신 시스템(e.g. 5G 시스템)에서 단말(510)에는 복수 개의 SR(multiple SR)이 설정될 수 있다. 단말(510)은 도착한 데이터의 우선순위에 기초하여 긴급한 데이터로서 더 높은 우선순위의 데이터 도착을 기지국(520)으로 알릴 수 있다. 여기서, 복수 개의 SR 설정이 존재하는 경우, 단말(510)은 높은 우선순위의 데이터가 도착하면 복수 개의 SR에 기초하여 기지국(520)으로 빠르게 상향링크 자원 할당을 요청할 수 있으며, 이를 통해 지연을 줄일 수 있다. 다만, 상술한 동작에 기초하여도 단말(510)은 버퍼에 데이터 발생 후 데이터 전송을 위한 상향링크 자원을 요청하고, 이에 기초하여 상향링크 원을 할당 받은 후에 데이터 전송을 수행하기 때문에 지연이 발생할 수 밖에 없다.
여기서, 일 예로, URLLC 트래픽에 대해 발생할 수 있는 지연을 줄이기 위해, 기지국은 단말에게 구성된 그랜트(configured grant)를 할당할 수 있다. 다만, 구성된 그랜트는 주기적으로 자원을 할당하기 때문에 자원 낭비가 발생할 수 있다. 또한, 산발적(sporadic)으로 발생하는 URLLC 데이터에 대해서는 구성된 그랜트로 처리하기 어려울 수 있으며, 하기에서는 상술한 바에 기초하여 트래픽 예측에 기초하여 자원 요청을 수행하는 방법에 대해 서술한다.
한편, 일 예로, 단말은 상향링크 데이터 전송과 관련하여 버퍼에 도착한 데이터에 대한 정보를 기지국으로 보고할 수 있으며, BSR(buffer status report) 절차에 기초하여 수행될 수 있다. 이때, BSR은 하기 표 4에 기초하여 동작할 수 있으나, 이에 한정되는 것은 아닐 수 있다. 또한, 일 예로, 단말의 상향링크 데이터 전송과 관련해서 재전송이 필요할 수 있으며, 재전송은 HARQ(Hybrid Automatic Repeat and request) 동작에 기초하여 수행될 수 있다. 일 예로, 단말에는 병렬적인 복수 개의 HARQ 프로세스가 구성될 수 있으며, 각각의 HARQ 프로세스에 기초하여 데이터 전송 및 재전송이 수행될 수 있다. 일 예로, HARQ 동작은 하기 표 5에 기초하여 동작할 수 있으나, 이에 한정되는 것은 아닐 수 있다.
Figure PCTKR2022009612-appb-img-000012
Figure PCTKR2022009612-appb-img-000013
Figure PCTKR2022009612-appb-img-000014
Figure PCTKR2022009612-appb-img-000015
Figure PCTKR2022009612-appb-img-000016
Figure PCTKR2022009612-appb-img-000017
Figure PCTKR2022009612-appb-img-000018
Figure PCTKR2022009612-appb-img-000019
Figure PCTKR2022009612-appb-img-000020
Figure PCTKR2022009612-appb-img-000021
Figure PCTKR2022009612-appb-img-000022
일 예로, 단말은 단말의 버퍼에 데이터가 도착한 경우 해당 데이터 전송에 적합한 상향링크 자원이 존재하는지 여부를 판단할 수 있다. 단말에 해당 데이터 전송에 적합한 상향링크 자원이 할당되지 않은 경우, 단말은 SR을 기지국으로 전송하여 상향링크 자원을 요청할 수 있으며, 이는 상술한 바와 같다. 또한, 단말에는 기지국으로부터 설정되는 SR 구성에 기초하여 트래픽 타입별로 복수 개의 SR이 매핑될 수 있다. 단말은 트래픽 타입 및 우선순위를 고려하여 SR을 트리거링하여 기지국으로 전송하여 상향링크 자원을 할당 받을 수 있다. 즉, 단말에 데이터가 발생한 시점을 기준으로 단말과 기지국 상호 간의 시그널링에 기초하여 데이터 전송을 수행할 수 있으며, 이에 따라 일정 시간의 지연이 발생할 수 있다.
상술한 점을 고려하여, 단말은 상향링크 트래픽 예측(UL traffic prediction)을 학습한 AI/ML 모델을 구비할 수 있다. 일 예로, AI/ML 모델은 다양한 방식에 기초하여 상향링크 트래픽 예측을 수행할 수 있으며, AI/ML 모델이 학습을 수행하는 방식은 특정 형태로 한정되지 않을 수 있다. 즉, 상향링크 트래픽 예측을 학습할 수 있는 AI/ML 모델이 단말에 구비되어 단말은 상향링크 트래픽을 예측할 수 있을 뿐, 이를 위한 학습 방법이나 AI/ML 모델은 특정 형태로 한정되지 않을 수 있다.
하기에서는 설명의 편의를 위해 상향링크 트래픽 예측을 학습한 AI/ML 모델을 구비한 단말을 기준으로 서술한다. 이때, 일 예로, 상향링크 트래픽 예측을 학습한 AI/ML 모델을 구비한 단말은 상향링크 자원 발생 여부를 사전에 예측할 수 있다. 여기서, 단말은 버퍼에 데이터가 발생하기 전이라도 사전 예측 정보에 기초하여 SR을 사전에 트리거링하고, 데이터 도착 시점 이전에 SR을 기지국으로 전송할 수 있다.
여기서, AI/ML 모델에 기초하여 상향링크 트래픽이 예측되기 때문에 SR 전송 시점도 특정 시점으로 결정될 수 있다. 따라서, SR은 n개의 후보 시점에 n개의 SR 자원으로 설정될 수 있다. 일 예로, 기지국이 단말로 설정하는 SR 구성 정보에는 n개의 후보 시점에 대한 n개의 SR 자원 정보가 포함될 수 있다. 이때, 특정 시점에 기초한 SR은 예측 SR (predictive SR)일 수 있다. 다만, 예측 SR은 설명의 편의를 위한 명칭일 뿐 해당 명칭으로 한정되는 것은 아닐 수 있다. 즉, 기지국은 데이터 발생 이전에 트리거링되는 SR에 기초하여 n개의 후보 시점에 대한 n개의 SR 자원을 설정할 수 있으며, 하기에서는 설명의 편의를 위해 해당 SR을 예측 SR로 지칭한다. 다만, 특정 명칭으로 한정되는 것은 아닐 수 있다.
일 예로, 모든 단말이 상향링크 트래픽 예측을 학습한 AI/ML 모델을 구비하지 않을 수 있다. 단말마다 상향링크 트래픽 예측을 학습한 AI/ML 모델을 구비하였는지 여부가 상이할 수 있으며, AI/ML 모델 관련 정보도 상이할 수 있다. 구체적인 일 예로, 새로운 통신 시스템을 위해 단말이 상향링크 트래픽 예측을 학습한 AI/ML 모델을 구비할 수 있으나, 레거시 단말은 상술한 AI/ML 모델을 구비하지 않을 수 있다. 따라서, 상향링크 트래픽 예측을 학습한 AI/ML 모델 구비 여부는 단말 능력(capability)으로 단말 능력 정보를 통해 기지국으로 공유될 수 있다.
상술한 점을 고려하여, 기지국은 단말과 상향링크 트래픽 예측을 위한 AI/ML 모델에 대한 능력(capability) 여부를 사전에 협의할 수 있다. 단말이 상향링크 트래픽 예측을 위한 AI/ML 모델에 대한 능력을 구비한 경우, 기지국은 단말에게 예측 SR을 위한 하나 이상의 SR 자원을 설정할 수 있다. 여기서, 하나 이상의 예측 SR 자원을 할당 받은 단말은 상향링크 트래픽 예측을 위한 AI/ML 모델에 따라 발생하는 예측 정보를 인지할 수 있다. 단말은 AI/ML 모델을 통해 획득한 예측 정보에 기초하여 단말에 설정된 하나 이상의 SR 자원 중 적어도 어느 하나 이상을 선택하고, 상향링크 자원을 데이터 발생 이전에 요청할 수 있다. 즉, 단말은 버퍼에 데이터가 도착하기 전이라도 데이터 도착 여부와 무관하게 AI/ML 모델 결과에 기초하여 예측 SR을 전송하여 상향링크 자원을 할당 받을 수 있다.
구체적인 일 예로, 도 6은 본 개시의 일 실시예에 따라 단말 동작 방법을 나타낸 도면이다. 도 6을 참조하면, 단말은 기지국과 AI 모델에 대한 능력에 대한 협의를 수행할 수 있다.(S610) 즉, 상술한 바와 같이, 단말은 상향링크 트래픽 예측을 위한 AI/ML 모델을 구비하였는지 여부에 기초한 능력 정보를 기지국으로 전달할 수 있다. 기지국은 단말의 능력 정보를 고려하여 SR 구성을 수행할 수 있다. 일 예로, 단말이 상향링크 트래픽 예측을 위한 AI/ML 모델을 구비한 경우, 기지국은 복수 개의 예측 SR 자원 설정 정보를 포함하는 예측 SR 구성(predictive SR configuration)을 단말로 전달할 수 있다.(S620) 단말은 기지국으로부터 수신한 예측 SR 구성 정보에 기초하여 AI/ML 모델의 결과를 반영하여 예측 SR 구성 정보에 설정되는 복수 개의 예측 SR 자원 중 적어도 하나 이상의 예측 SR을 트리거링할 수 있다.(S630) 그 후, 단말은 적어도 하나 이상의 예측 SR을 선택하고, 버퍼에 데이터가 발생하였는지 여부와 무관하게 SR을 기지국으로 전송할 수 있다.(S640)
여기서, 일 예로, 단말은 상향링크 트래픽에 대한 생성 및 전송과 관련된 데이터를 수집할 수 있다. 또한, 단말은 단말의 특성에 따른 트래픽 생성에 대한 학습을 진행하는 AI/ML 모델을 구비할 수 있다. 단말은 구비한 AI/ML 모델에 기초하여 자신의 능력을 능력 협상 과정에서 기지국으로 알릴 수 있다.
일 예로, 도 7은 본 발명의 일 실시예에 따라 단말과 기지국이 능력 협상을 수행하는 방법을 나타낸 도면이다. 도 7을 참조하면, 단말(710)은 기지국(720)으로부터 단말 능력요청 메시지(UECapabilityEnquiry)를 수신하고, 이에 기초하여 단말 능력 정보를 기지국으로 전달할 수 있다. 여기서, 단말은 상술한 상향링크 트래픽 예측에 대한 학습을 진행하는 AI/ML 모델 구비 여부에 대한 정보를 기지국으로 전달할 수 있다. 단말이 AI/ML 모델 구비 여부에 대한 정보를 기지국으로 전달하는 경우, 단말과 기지국은 능력 협상 절차에 기초하여 AI/ML 모델 구비 여부를 인지하고, 능력 협상을 수행할 수 있다.
또 다른 일 예로, 단말과 기지국은 AI/ML 동작을 고려한 능력 협상으로 새로운 프로시저를 생성할 수 있다. 즉, 단말과 기지국은 AI/ML 동작을 위한 새로운 능력 협상 프로시저를 이용할 수 있다. 구체적인 일 예로, 단말과 기지국은 다른 능력 정보들에 대하서는 기존의 능력 협상 절차를 이용할 수 있다. 반면, 단말과 기지국은 AI/ML 모델 관련 능력에 대해서는 AI/ML 모델에 대한 새로운 능력 협상 프로시저를 통해 능력 협상 절차를 수행할 수 있으나, 특정 형태로 한정되지 않는다.
일 예로, AI/ML 모델 관련 새로운 능력 협상 프로시저에서 단말과 기지국이 기존 단말 능력 협상 절차와 같이 RRC 메시지를 사용하는 경우, 단말의 AI/ML 관련 능력 정보 전송을 위한 새로운 IE(information element)가 정의될 수 있다. 여기서, 해당 IE 내에는 상향링크 트래픽 예측과 관련된 AI/ML 모델 정보가 포함될 수 있다. 일 예로, 단말과 기지국 사이에 협의될 수 있는 정보는 하기 표 6의 정보 중 적어도 어느 하나 이상을 포함할 수 있다.
구체적으로, 단말과 기지국 사이에 협의되는 정보로 단말의 AI/ML 모델 구비 여부에 대한 정보뿐만 아니라 AI/ML 모델의 학습 방식에 대한 정보가 포함될 수 있다. 일 예로, AI/ML 모델은 오프라인 방식 또는 온라인 방식에 기초하여 학습될 수 있으며, 특정 형태로 한정되지 않는다. 또한, 일 예로, AI/ML 모델 학습과 관련하여 입력 정보, 학습 정보, 인퍼런스 데이터 정보가 협상 정보로 포함될 수 있다. 즉, 단말은 단말이 구비한 AI/ML 모델이 데이터 트래픽 예측을 수행하는 동작과 관련된 정보를 AI/ML 모델 관련 정보로서 능력 협상 절차를 통해 기지국으로 전달할 수 있다.
또 다른 일 예로, 단말과 기지국 사이에 협의되는 정보는 AI/ML 모델에 기초한 출력 데이터(output)에 대한 트래픽 타입 정보일 수 있다. 일 예로, 트래픽 타입은 LCH(logical channel) 단위, LCG(logical channel group) 단위 또는 데이터 라디오 베어러 단위에 기초하여 설정될 수 있으며, AI/ML 모델에 기초한 출력 데이터가 어떤 트래픽 타입을 반영한 출력 데이터인지에 대한 정보가 협의되는 정보에 포함될 수 있다.
또 다른 일 예로, AI/ML 모델에 기초한 출력 데이터에 대한 트래픽이 발생하는 시점 정보에 대한 시간 단위에 대한 정보가 협의되는 정보에 포함될 수 있다. 일 예로, 시간 단위는 예측을 인지하는 단위일 수 있다. 구체적인 일 예로, 시간 단위는 0.5ms일 수 있으나, 이는 하나의 일 예일 뿐, 이에 한정되는 것은 아닐 수 있다.
또 다른 일 예로, AI/ML 모델에 기초한 출력 데이터로 트래픽 발생에 대한 예측 시작 시점과 예측 종료 시점에 대한 정보가 협의되는 정보에 포함될 수 있다. 즉, AI/ML 모델을 통해 예측이 가능한 구간에 대한 정보가 능력 정보로 기지국으로 전달될 수 있다. 구체적인 일 예로, AI/ML 모델 출력 데이터에 기초하여 0.5ms 이후 10ms 이전까지 발생 가능한 트래픽을 예측하는 정보가 협의되는 정보에 포함될 수 있으나, 이는 하나의 일 예일 뿐 상술한 실시예로 한정되지 않는다.
Figure PCTKR2022009612-appb-img-000023
도 7은 본 개시의 일 실시예에 따라 단말과 기지국의 능력 협상 절차를 수행하는 방법을 나타낸 도면이다. 일 예로, 도 7을 참조하면, 단말(710)과 기지국(720)은 능력 협상 절차를 수행할 수 있다. 이때, 능력 협상 절차에서 상술한 AI 모델 관련 능력 정보가 전달될 수 있다. 보다 구체적인 일 예로, 단말(710)과 기지국(720)은 단말(710)의 트래픽 예측 관련 AI 모델에 대한 능력 정보를 교환할 수 있으며, 이는 상술한 바와 같다. 기지국(720)은 단말(710)로부터 트래픽 예측 관련 AI 모델에 대한 능력 정보를 확인하고, 단말(710)에게 예측 SR(predictive SR)을 설정할 수 있다.
여기서, 예측 SR을 위한 트래픽 예측은 단말의 상향링크 트래픽이 발생하는 시점을 알려주는 AI/ML 모델일 수 있다. 일 예로, AI/ML 모델에 대한 입력 데이터는 단말의 환경 정보 및 단말의 상태 정보를 반영한 정보일 수 있다. 단말(710)은 환경 정보 및 단말 상태 정보를 입력 데이터로 AI/ML 모델에 기초하여 단말의 버퍼에 상향링크 트래픽이 도착하는 예상 시점을 출력 데이터로 도출할 수 있다. 일 예로, 환경 정보 및 단말 상태 정보는 단말의 위치, 이동 속도, 시간, 어플리케이션 사용빈도 및 그 밖의 정보일 수 있으며, 특정 형태로 한정되는 것은 아닐 수 있다. 여기서, 출력 데이터는 데이터 발생 예상 시점에 대한 정보일 수 있다.
일 예로, 출력 데이터로 도출되는 예상 시점 정보에 대한 시간 간격 단위는 다양하게 설정될 수 있다. 시점 정보에 대한 시간 간격 단위는 심볼, 슬롯, ms, 서브프레임 및 프레임 단위 중 적어도 어느 하나에 기초하여 설정될 수 있으나, 이는 하나의 일 예일 뿐 특정 형태로 한정되는 것은 아닐 수 있다. 이때, 시점 정보에 대한 시간 간격 단위 정보는 단말(710)과 기지국(720)에서 능력 협상 절차를 수행하는 과정에서 결정될 수 있다. 또 다른 일 예로, 시간 간격 단위 정보는 기 설정된 값으로 결정될 수 있다. 일 예로, 시간 간격 단위는 표준 규격에 기 설정된 값으로 정의될 수 있으나, 이에 한정되는 것은 아닐 수 있다.
여기서, AI/ML 모델을 통해 도출되는 출력 데이터는 하기 표 7과 같을 수 있다. 구체적인 일 예로, 단말(710)과 기지국(720) 능력 협상 절차를 통해 AI/ML 모델에 기초한 예측 시점의 시간 간격 단위를 결정할 수 있다. 표 7에서는 0.5ms 또는 심볼 단위로 시간 간격 단위를 결정하였으나, 이에 한정되는 것은 아닐 수 있다. 표 7을 참조하면, 트래픽 타입(또는 논리 채널)별로 단말의 버퍼에 상향링크 데이터가 도착할 예상 시점이 도출될 수 있으며, 이를 통해 단말(710)은 사전에 예측 SR을 기지국(720)으로 전송할 수 있다.
Figure PCTKR2022009612-appb-img-000024
일 예로, 단말(710)에서 트래픽 예측 관련 AI/ML 모델은 기 설정된 시간 주기에 기초하여 특정 시간 주기로 동작할 수 있다. 여기서, AI/ML 모델에 기초하여 도출된 출력 데이터가 협상 절차에서 결정한 시점 이내의 값으로 판단되는 경우, 단말(710)은 예측 SR을 트리거링할 수 있다.
즉, 이전 무선 통신 시스템에서 트리거된 BSR에 기초하여 SR이 트리거링되는 경우와 상이하게 예측 SR이 사전에 트리거링되고, 이후 실제 데이터가 수신되어 트래픽 타입에 대한 BSR이 트리거링될 수 있다. 일 예로, BSR이 트리거링된 이후, 단말(710)은 이전에 트리거링되어 전송되는 예측 SR이 존재하는지 여부를 확인할 수 있다. 이때, 트리거된 BSR의 트래픽 타입에 대응되는 예측 SR이 존재하는 경우, 단말(710)은 새로운 SR을 트리거 하지 않고, BSR 전송을 위한 상향링크 자원을 바로 사용할 수 있으며, 이를 통해 지연을 줄일 수 있다.
또 다른 일 예로, 단말(710)의 AI/ML 모델에서 버퍼 사이즈 예측이 가능한 경우를 고려할 수 있다. 즉, AI/ML 모델은 상향링크 발생 시점에 대한 예측뿐만 아니라 버퍼 사이즈도 출력 데이터로 도출할 수 있다. 일 예로, 이전 무선 통신 시스템에서 단말(710)은 BSR(buffer status report)에 기초하여 버퍼 사이즈를 기지국(720)으로 보고할 수 있었다. 여기서, 단말(710)이 AI/ML 모델에 기초하여 버퍼 사이즈를 출력 데이터로 도출하는 경우, 단말(710)은 예측 BSR(predictive BSR)을 트리거링하고, 기지국(720)으로 전달할 수 있다. 여기서, 예측 BSR을 위한 예측 BSR MAC(medium access control) CE(control element) 필드가 하기 표 8과 같을 수 있으나, 이에 한정되는 것은 아닐 수 있다. 즉, 예측 BSR MAC CE는 LCG ID, 예측되는 버퍼 사이즈 및 예측되는 트래픽 도착 시간 값 중 적어도 어느 하나를 포함할 수 있으며, 해당 정보들을 기지국(720)으로 보고할 수 있다.
Figure PCTKR2022009612-appb-img-000025
또한, 일 예로, 트리거된 예측 BSR을 전송할 수 있는 상향링크 자원 존재하는지 여부에 따라 단말(710) 동작이 상이할 수 있다. 일 예로, 단말(710)에 상향링크 자원이 존재하는 경우, 단말(710)은 해당 상향링크 자원을 통해 상술한 예측 BSR MAC CE를 전송할 수 있다. 반면, 트리거된 예측 BSR 전송을 위한 상향링크 자원이 존재하지 않는 경우, 단말(710)의 예측 BSR은 SR을 트리거링할 수 있다. 일 예로, 예측 BSR에 기초하여 트리거링되는 SR은 기존의 SR이거나 상술한 예측 SR일 수 있으며, 특정 형태로 한정되는 것은 아닐 수 있다.
이때, SR이 기존 SR인 경우, 단말은 예측 BSR을 트리거링한 LCH(logical channel)에 매핑된 SR을 트리거링할 수 있다. 단말은 예측 BSR에 의해 트리거링된 SR에 의해 할당된 자원을 이용하여 예측 BSR을 전송할 수 있다. 여기서, 전송되는 예측 BSR은 표 8의 값 중 트래픽 도착 예측 값을 포함할 수 있으나, 이에 한정되는 것은 아닐 수 있다.
또 다른 일 예로, 예측 BSR은 버퍼에 데이터가 도착하기 이전에 미리 BSR을 전송하는 것일 수 있다. 따라서, 예측 BSR 전송을 위한 SR이 이용될 수 있다. 여기서, 예측 BSR 전송을 위한 SR은 예측 BSR MAC CE를 전송할 정도의 상향링크 자원을 기지국(720)이 할당해주기 위한 자원 요청일 수 있다. 단말(710)은 예측 BSR 전송을 위한 SR에 의해 할당된 자원을 이용하여 예측 BSR을 전송할 수 있다. 또한, 단말(710)은 예측 BSR 내에 포함된 트래픽 도착 예측 값에 기초하여 기지국(720)으로부터 상향링크 자원을 할당 받을 것을 기대할 수 있으나, 이에 한정되는 것은 아닐 수 있다.
또 다른 일 예로, 예측 BSR은 상술한 예측 SR을 트리거링할 수 있다. 여기서, 예측 SR이 트리거링되는 점을 고려하면 예측 BSR에는 표 8의 트래픽 도착 예측 값이 포함되지 않을 수 있다. 이때, 트래픽 도착 예측 값은 예측 SR을 통해 기지국(720)으로 전달될 수 있다.
상술한 바에 기초하여 기지국(720)은 단말(710)에게 적어도 하나 이상의 예측 SR을 설정할 수 있으며, 예측 SR에 대한 자원 정보가 결정될 필요성이 있다.
구체적으로, 기지국은 n개의 예측 SR을 단말에게 설정할 수 있다. 일 예로, 단말은 논리 채널에 기초하여 SR을 트리거링하여 기지국으로 전송할 수 있으나, 이에 한정되는 것은 아닐 수 있다. 기지국은 논리 채널에 대한 SR 구성과 연관된 정보들에 대응되는 SR PUCCH(physical uplink control channel) 자원을 단말에 설정할 수 있다. n개의 예측 SR들이 단말에 설정되는 경우, n개의 시간 정보는 별도의 추가적인 SR PUCCH로 설정될 수 있다.
일 예로, 우선순위가 가장 높은 논리 채널이 포함된 SR에 대해 n개의 예측 SR PUCCH가 설정될 수 있다. 보다 구체적인 일 예로, 단말이 논리채널 0, 논리채널 1 및 논리채널 2를 통해 데이터 전송을 수행하는 경우를 고려할 수 있다. 이때, 예측 SR PUCCH가 2개 설정된 경우, 논리채널 0, 논리채널 1 및 논리채널 2에 대한 SR PUCCH는 3개가 설정될 수 있으며, 하기 표 9와 같을 수 있다. 즉, 단말에는 데이터 발생에 기초하여 트리거링되는 SR에 대응되는 SR PUCCH뿐만 아니라 데이터 예측에 기초하여 트리거링되는 예측 SR에 대응되는 SR PUCCH가 설정될 수 있다.
구체적으로, SR PUCCH는 기존 무선 통신 시스템의 SR PUCCH처럼 논리채널 0, 논리채널 1 및 논리채널 2에 대한 데이터 발생에 따른 SR을 위한 SR PUCCH가 구성될 수 있다. 또한, 추가로 2개의 예측 SR PUCCH 구성이 단말에 설정될 수 있다. 여기서, 각각의 예측 SR PUCCH는 서로 다른 구성에 기초하여 설정될 수 있다. 일 예로, 표 9에서 SR PUCCH 1은 AI/ML 모델에 기초하여 데이터 발생이 0.5ms 이후에 있음을 예측하는 출력 데이터에 기초하여 논리채널 0, 논리채널 1 및 논리채널 2에 대한 SR PUCCH 구성으로 설정될 수 있다. 반면, SR PUCCH 2는 AI/ML 모델에 기초하여 데이터 발생이 1ms 이후에 있음을 예측하는 출력 데이터에 기초하여 논리채널 0, 논리채널 1 및 논리채널 2에 대한 SR PUCCH 구성으로 설정될 수 있다. 다만, 이는 하나의 일 예일 뿐, 상술한 실시예로 한정되지 않는다. 단말은 단말에 구성된 복수 개의 SR PUCCH를 버퍼에 데이터가 도착한 경우 및 AI/ML 모델에 기초하여 데이터 도착이 예측된 경우 각각에 따라 선택적으로 사용할 수 있다.
일 예로, 무선 통신 시스템에서는 하나 이상의 논리 채널들에 대해 SR PUCCH가 설정될 수 있다. 이때, 상술한 바처럼 하나 이상의 논리 채널들에 대한 SR PUCCH는 데이터 발생에 기초한 SR 및 데이터 발생 예측에 기초한 SR을 위한 SR PUCCH일 수 있다.
Figure PCTKR2022009612-appb-img-000026
도 8은 본 개시의 일 실시예에 따라 예측 SR을 트리거링하는 방법을 나타낸 도면이다.
일 예로, 도 8을 참조하면, 단말(810)과 기지국(820)은 단말 능력 협상 절차에 대한 협상을 수행할 수 있다. 여기서, 단말(810)의 AI/ML 모델 구비 여부 및 AI/ML 모델 관련 정보들이 단말(810)과 기지국(820) 상호 간에 교환될 수 있으며, 이는 상술한 바와 같다. 일 예로, 기지국(820)이 단말(810)로 n개의 예측 SR을 설정한 경우를 고려할 수 있다. 여기서, 단말(810)에는 기존의 SR 구성과 독립적인 SR PUCCH 자원이 예측 SR을 위해 설정될 수 있으며, 이는 상술한 바와 같다. 구체적으로, n개의 예측 SR들을 위한 n개의 시간 정보가 설정되는 경우를 고려할 수 있다. 구체적인 일 예로, n이 4인 경우, 시간 정보는 0.5ms(7symbols), 1ms(14symbols), 1.5ms(21symbols) 및 2ms(28symbols))일 수 있으며, 이에 기초하여 4개의 SR PUCCH 정보가 추가로 설정될 수 있다. 다만, 이는 하나의 구체적인 일 예일 뿐, 이에 한정되는 것은 아닐 수 있다.
단말(810)이 적어도 하나 이상의 예측 SR들을 기지국(820)으로부터 설정받은 경우, 단말(810)은 AI/ML 모델을 통해 버퍼에 데이터가 도착하지 않더라도 데이터 발생 예측에 따른 SR을 미리 기지국(820)으로 전송할 수 있다.
기지국(820)은 수신한 SR에 기초하여 단말(810)이 원하는 상향링크 자원 할당 시점 정보를 획득하고, 해당 시점 또는 해당 시점 직후의 상향링크 자원(UL grant)를 할당할 수 있다. 단말(810)은 수신한 상향링크 자원에 기초하여 예측된 데이터가 버퍼에 성공적으로 발생한 경우, 단말(810)은 SR을 통해 할당받은 상향링크 자원을 통해 데이터 전송을 수행할 수 있으며, 도 8과 같을 수 있다.
또 다른 일 예로, 트래픽 예측 모델인 AI/ML 모델에 기초하여 도출되는 출력 데이터에 대한 정확도 정보로서 신뢰도 정보가 도출되어 기지국(820)으로 함께 전송될 수 있다. 여기서, 기지국(820)이 동시에 둘 이상의 단말들로부터 예측 SR을 수신한 경우, 기지국(820)은 둘 이상의 단말이 요청하는 자원의 시점이 동일하면 둘 이상의 단말에게 할당할 자원이 충분하지 않을 수 있다. 일 예로, 기지국(820)은 둘 이상의 단말로 할당할 자원이 충분하면 각각의 단말들에게 상향링크 자원을 할당할 수 있다. 반면, 둘 이상의 단말로 할당할 자원이 충분하지 않은 경우, 기지국(820)은 단말들 상호 간의 우선순위를 결정하고, 우선순위가 높은 단말로 상향링크 자원을 할당할 수 있다.
여기서, 예측 SR은 실제 데이터 발생하기 이전에 예측된 데이터에 대한 트리거링이므로 실제 데이터 발생에 대한 정확도가 100프로가 아닐 수 있다. 즉, 예측 SR에 대한 해당 시점에 단말에는 실제 데이터가 발생하지 않을 수 있다. 상술한 점을 고려하여, 단말(810)은 기지국(820)에게 AI/ML 모델의 출력 데이터의 신뢰도 정보를 예측 SR과 함께 기지국(820)으로 전송할 수 있다. 또 다른 일 예로, 예측 SR에는 신뢰도 정보가 포함될 수 있으며, 특정 형태로 한정되는 것은 아닐 수 있다.
구체적인 일 예로, 하기 표 10을 참조하면, 예측 SR은 특정 논리 채널 정보, 데이터 발생 예측 시간 정보와 함께 신뢰도 정보를 기지국(820)으로 전달할 수 있다. 일 예로, 표 10은 단말(810)이 단말에 설정된 복수 개의 예측 SR들에 기초하여 동작하는 방법일 수 있으나, 이에 한정되는 것은 아닐 수 있다. 여기서, 기지국(820)은 단말(810)로부터 신뢰도 정보가 포함된 예측 SR을 수신하고, 수신된 신뢰도 정보를 반영하여 복수 개의 단말들에 대한 우선순위를 결정할 수 있다.
Figure PCTKR2022009612-appb-img-000027
또 다른 일 예로, 단말의 AI/ML 모델에 기초하여 도출되는 출력 데이터에 기초한 예측이 맞지 않은 경우를 고려할 수 있다. 즉, 단말은 AI/ML 모델의 출력 데이터에 기초하여 특정 데이터의 발생 및 발생 시점을 예측하여 예측 SR을 기지국으로 전송할 수 있다. 그 후, 단말은 기지국으로부터 상향링크 자원을 할당 받았지만, 실제 데이터가 발생하지 않을 수 있다. 여기서, 일 예로, 단말은 해당 상향링크 자원이 사용되지 않았음을 기지국으로 지시할 수 있다. 구체적인 일 예로, 단말이 예측 SR에 기초하여 상향링크 자원을 이미 할당받은 경우, 단말은 BSR 값을 0(BSR=0)으로 설정하여 기지국으로 전송할 수 있다.
또 다른 일 예로, 예측 SR 취소(predictive SR cancellation)에 기초한 MAC CE가 설정될 수 있다. 즉, 단말은 예측 SR 취소를 의미하는 MAC CE 전송을 통해 기지국으로 예측 SR에 기초하여 할당받은 상향링크 자원이 사용되지 않음을 알릴 수 있다. 또 다른 일 예로, 단말은 할당받은 상향링크 자원에 널 데이터를 포함하는 PUSCH(physical uplink shared channel)을 전송할 수 있다. 이를 통해, 기지국은 상향링크 그랜트에 대한 자원이 의미 없는 데이터의 전송임을 기지국으로 지시할 수 있다.
일 예로, 기지국은 상술한 지시 정보에 기초하여 해당 상향링크 자원에 기초한 HARQ 동작 및 에러 복구 프로시저가 불필요함을 인지할 수 있다. 기지국은 상위 레이어로 상술한 정보를 전달하고, 대응되는 프로시저를 수행하지 않도록 할 수 있으나, 이에 한정되는 것은 아닐 수 있다.
또한, 일 예로, 단말이 예측 SR 전송 이후에 데이터 발생 예측 오류를 사전에 인지할 수 있다. 즉, 단말이 예측 SR 전송 후 기지국으로부터 상향링크 자원을 할당받기 이전에 데이터 발생 예측 오류를 인지할 수 있다. 이때, 단말은 기 전송된 예측 SR 전송이 잘못된 전송(또는 취소)임을 기지국으로 지시할 수 있다. 일 예로, SR PUCCH는 SR 취소(SR cancellation) 정보에 기초하여 추가적으로 설정될 수 있다. 즉, 단말은 SR 취소 정보를 의미하는 SR PUCCH를 기지국으로 전송하여 대응되는 예측 SR이 취소됨을 기지국으로 지시할 수 있다. 이를 통해, 기지국은 불필요한 상향링크 자원을 단말에게 할당하지 않을 수 있으며, 자원 낭비를 막을 수 있다.
또 다른 일 예로, 예측 SR은 높은 우선순위(higher priority)를 가지는 논리 채널에 설정될 필요성이 있다. 일 예로, URLLC 트래픽과 같이 지연에 민감한 데이터(delay sensitive traffic type)에 대해 설정될 수 있으며, 이를 통해 지연을 줄일 수 있다.
도 9는 본 개시의 일 실시예에 따라 복수 개의 SR 구성 셋이 단말에 설정되는 방법을 나타난 도면이다.
도 9를 참조하면, 단말(910)과 기지국(920)은 능력 협상 절차를 수행할 수 있으며, 이에 기초하여 AI/ML 모델 관련 정보가 상호 간에 교환될 수 있으며, 이는 상술한 바와 같다.
그 후, 기지국(920)은 SR 구성(SR configuration)에 기초하여 RRC 메시지를 통해 단말(910)에게 예측 SR들을 위한 복수 개의 SR 설정 셋을 설정할 수 있다. 일 예로, 예측 SR들을 위한 복수 개의 SR 설정 셋은 예측된 n개의 시간 값들에 기초하여 구성될 수 있다. 여기서, 기지국(920)이 다른 예측 시간 값에 대한 SR 설정 셋을 재설정하는 경우, 기지국(920)은 새로운 RRC 메시지 전송을 통해 단말(910)의 SR 구성을 재설정할 수 있다.
또한, 일 예로, SR 구성에서 데이터 예측 성공률에 대한 기 설정된 범위 값을 각각의 SR 설정 셋에 미리 할당할 수 있다. 구체적인 일 예로, 기지국(920)은 복수 개의 SR 설정 셋으로 SR 설정 셋 A, SR 설정 셋 B 및 SR 설정 셋 C가 단말(910)에 설정할 수 있다. 이때, 각각의 SR 설정 셋에 대응되는 예측 성공률은 SR 설정 셋 A :70%이하, SR 설정 셋 B: 70~90% 및 SR 설정 셋 C: 90%이상과 같이 설정될 수 있으나, 이는 하나의 구체적인 일 예일 뿐, 이에 한정되는 것은 아닐 수 있다.
여기서, 단말(910)과 기지국(920)은 계산한 예측 성공률에 기초하여 SR 설정 셋을 동적으로 변경할 수 있다. 일 예로, 예측 성공률은 단말(910)에 의해 계산될 수 있다. 또 다른 일 예로, 예측 성공률은 기지국(920)에 의해 도출되어 단말로 피드백되는 정보일 수 있으며, 특정 실시예로 한정되지 않는다.
이때, 단말(910)과 기지국(920)은 예측 성공률에 기초하여 동작할 수 있다. 표 11을 참조하면, 단말(910)은 예측 성공률에 기초하여 SR 설정 셋 A, SR 설정 셋 B 및 SR 설정 셋 C의 적용 여부를 결정할 수 있다. 단말(910)은 예측 성공률에 기초하여 SR 개수뿐만 아니라 주기에 대한 설정도 셋마다 다르게 설정할 수 있다. 일 예로, 예측 성공률이 낮은 경우, 단말(910)은 가장 기본이 되는 SR 설정 셋으로 SR 설정 셋 A를 사용할 수 있다. 여기서, SR 설정 셋 A는 예측 가능 시간이 짧을 수 있으며, 이에 따라 비교적 예측 정확도가 높을 수 있다. 즉, 예측 성공률이 높지 않은 경우, 단말(910)은 예측 실패에 따라 불필요한 상향링크 자원이 사용되는 것을 방지하지 위해 최소의 SR 설정 셋을 사용할 수 있다. 반면, 예측 성공률이 높은 경우, 단말(910)은 예측 시간이 긴 값을 갖는 SR 설정 셋을 사용할 수 있으며, 이를 통해 예측 SR을 효율적으로 적용할 수 있다.
Figure PCTKR2022009612-appb-img-000028
구체적으로, 도 9를 참조하면, 단말(910)은 AI/ML 모델 관련 능력 협상 절차를 기지국(920)과 수행할 수 있다. 기지국(920)은 트래픽 예측에 대한 능력이 있는 단말(910)로 적어도 하나 이상의 예측 SR들이 포함된 하나 이상의 SR 구성 셋들을 설정할 수 있다. 일 예로, 상술한 바와 같이, 기지국(920)은 단말(910)로 예측 SR 설정 셋으로 SR 설정 셋 A, SR 설정 셋 B 및 SR 설정 셋 C를 설정할 수 있다. 여기서, 각각의 SR 설정 셋은 상술한 표 11에 따라 예측 성공률 값으로 대응될 수 있다.
단말(910)은 단말의 트래픽 예측 AI/ML 모델의 출력 데이터에 기초하여 데이터 발생 시점을 예측할 수 있다. 여기서, 단말(910)은 기본 SR 설정 셋(default SET A)에 대해 매핑된 예측 SR들 중 적어도 어느 하나에 기초하여 예측 SR을 트리거링할 수 있다. 그 후, 단말(910)은 기지국(920)으로 트리거링된 예측 SR을 전송할 수 있다. 기지국(920)은 수신한 예측 SR에 대응하는 시점 또는 그 직후에 상향링크 자원을 할당하고, 이에 대한 정보를 포함하는 상향링크 그랜트를 단말(910)에게 전송할 수 있다. 상향링크 그랜트에 기초하여 예측한 데이터가 발생한 경우, 단말(910)은 발생한 데이터를 할당받은 상향링크 자원을 이용하여 전송할 수 있다. 여기서, 단말(910)이 데이터를 성공적으로 전송하고, 기지국(920)이 데이터를 성공적으로 수신한 경우, 예측 성공률은 100프로로 설정할 수 있다. 이때, 단말(910)은 상술한 표 11에 기초하여 SR 설정 셋 C를 적용할 수 있다. 즉, 단말(910)은 초기에는 디폴트 SR 설정 셋에 기초하여 예측 SR을 트리거링할 수 있다. 그 후, 단말(910)은 예측 성공률을 반영하여 적용하는 SR 설정 셋을 결정할 수 있다. 이를 통해, 단말(910)은 예측 성공률을 반영하여 예측 SR을 활용할 수 있다.
또 다른 일 예로, 단말(910)은 단말의 트래픽 예측 AI/ML 모델에 기초하여 단말의 데이터 발생을 예측할 수 있다. 여기서, 단말(910)은 기본 SR 구성 셋(default set)으로 SR 설정 셋 C에 매핑된 예측 SR들 중 어느 하나에 기초하여 예측 SR을 트리거링할 수 있다. 그 후, 단말(910)은 기지국(920)으로 트리거링된 예측 SR을 전송할 수 있다. 기지국(920)은 수신한 예측 SR에 대응되는 시점 또는 그 직후에 상향링크 자원을 할당하고, 이에 대한 정보를 상향링크 그랜트를 통해 단말(910)에게 전송할 수 있다. 여기서, 예측한 시점에서 단말(910)의 데이터가 발생하지 않는 경우, 단말(910)은 예측이 틀렸음을 인지하고, 기지국에게 예측 SR 취소를 지시할 수 있다. 즉, SR 취소 정보에 기초한 SR PUCCH, SR 취소에 기초한 MAC CE, 0으로 설정된 BSR 값 및 널 데이터를 포함하는 PUSCH 중 적어도 어느 하나에 기초하여 기지국(920)으로 SR 취소 정보를 지시할 수 있다.
여기서, 단말(910)과 기지국(920)은 예측이 틀렸음을 인지할 수 있다. 따라서, 단말(910)과 기지국(920)은 예측 성공률을 감소(e.g., 20% 감소에 따라 80%로 설정) 시키고, 표 11에 기초하여 예측 SR에 대한 SR 설정 셋 B를 적용할 수 있다.
또 다른 일 예로, 단말(910)과 기지국(920)은 예측 성공 및 실패에 기초하여 SR 구성에서 SR 설정을 동적으로 변경하여 정책을 공유할 수 있다. 여기서, 정책은 시간 윈도우(time window) 내에서 예측 전송 성공/추정 기반 SR 횟수를 고려할 수 있다. 일 예로, 시간 윈도우 내에서 예측 전송 성공/추정 기반 SR 횟수가 카운팅될 수 있다. 또한, 일 예로, 정책은 시간 윈도우 내에서 예측 전송에 대한 최대 실패 횟수를 설정할 수 있다. 즉, 특정 시간 윈도우 내에서 예측 성공 여부가 카운팅되고, 최대 실패 횟수로 도달하면 동작이 수행될 수 있다. 이때, 동작은 SR 설정 셋을 최소 값으로 설정하는 동작일 수 있다. 또 다른 일 예로, SR 횟수에 대한 최대 값 및 최소 값을 설정할 수 있다. 이때, 상술한 정보들은 SR 구성 정보에 포함되어 단말(910)로 시그널링될 수 있다. 즉, 단말은 SR 구성 정보에 기초하여 정책에 따라 예측 SR에 대한 동작을 수행할 수 있다.
도 10 은 본 개시의 일 실시예 따라, 단말이 자원 요청을 수행하는 방법을 나타낸 순서도이다.
도 10을 참조하면, 단말은 단말 능력 정보를 기지국으로 전송할 수 있다.(S1010) 이때, 상술한 바와 같이, 단말은 기지국과 능력 협상 절차를 수행할 수 있다. 여기서, 단말은 상향링크 트래픽 예측에 대한 AI/ML 모델을 구비한 단말일 수 있다. 또한, 단말은 상향링크 트래픽 예측에 대한 AI/ML 모델을 통해 단말의 버퍼에 제 1 데이터의 발생 시점을 예측할 수 있다. 단말 능력 정보는 단말이 상향링크 트래픽 예측에 대한 AI/ML 모델을 구비하고 있는지 여부에 대한 정보, AI/ML 모델에 기초하여 학습이 수행되는 방식에 대한 정보, AI/ML 모델에 대한 출력 데이터의 타입 정보, 출력 데이터에 대한 트래픽 발생 시점에 대한 시간 단위 정보 및 AI/ML 모델에 기초한 예측 가능 시기 정보 중 적어도 어느 하나를 포함할 수 있으며, 이는 상술한 바와 같다. 다음으로, 단말은 기지국으로부터 단말 능력 정보에 기초하여 설정된 SR 구성 정보를 수신할 수 있다.(S1020) 그 후, 단말은 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 기지국으로 전송할 수 있다.(S1030) 여기서, 제 1 SR은 단말의 버퍼에 제 1 데이터가 발생하기 이전에 트리거링되는 SR일 수 있으며, 이는 상술한 바와 같다.
또한, 단말의 상향링크 트래픽 예측에 대한 AI/ML 모델을 통해 제 1 데이터에 기초한 버퍼 사이즈 정보가 더 예측될 수 있다.
여기서, 제 1 데이터에 기초한 버퍼 사이즈 정보가 예측되는 경우, 단말은 제 1 데이터에 대한 아이디 정보, 제 1 데이터의 발생 시점 정보 및 제 1 데이터에 기초한 버퍼 사이즈 정보 중 적어도 어느 하나를 포함하는 제 1 BSR을 트리거링하여 기지국으로 전송할 수 있다.
여기서, 단말에 트리거링된 제 1 BSR에 대한 상향링크 자원이 존재하지 않는 경우, SR이 트리거링되어 기지국으로 전송되고, 트리거링된 SR이 제 1 SR인 경우, 제 1 BSR은 제 1 데이터에 대한 아이디 정보 및 제 1 데이터에 기초한 버퍼 사이즈 정보를 포함하고, 제 1 데이터의 발생 시점 정보는 제 1 SR을 통해 기지국으로 지시될 수 있다.
또한, SR 구성 정보에 기초하여 적어도 하나 이상의 제 1 SR PUCCH 자원 및 적어도 하나 이상의 제 2 SR PUCCH 자원이 단말에 설정될 수 있다. 이때, 적어도 하나 이상의 제 1 SR PUCCH는 단말의 버퍼에 데이터 발생 전에 제 1 데이터의 발생 시점 예측에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원이고, 적어도 하나 이상의 제 2 SR PUCCH는 단말의 버퍼에 발생한 데이터에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원일 수 있다. 또 다른 일 예로, SR 구성 정보에 기초하여 제 3 SR PUCCH 자원이 단말에 더 설정될 수 있다. 이때, 제 3 SR PUCCH 자원은 발생 시점 예측에 기초하여 발생 시점에 제 1 데이터가 발생하지 않는 예측 실패 정보에 기초하여 제 1 SR을 취소하는 PUCCH 자원일 수 있으며, 이는 상술한 바와 같다.
또한, 일 예로, 제 1 SR은 제 1 데이터에 대한 아이디 정보 및 제 1 데이터의 발생 시점 예측 정보를 포함할 수 있다. 제 1 SR은 제 1 데이터의 발생 시점 예측 정보에 기초하여 발생 시점에서 제 1 데이터가 발생하는 예측 성공률 정보를 더 포함할 수 있다. 여기서, SR 구성 정보는 예측 성공률 정보에 기초하여 복수 개의 SR 설정 셋 정보를 포함할 수 있다. 단말은 복수 개의 SR 설정 셋 중 설정된 제 1 SR 설정 셋에 기초하여 제 1 SR을 트리거링할 수 있다. 또한, 단말은 단말에 설정된 SR 설정 셋은 예측 성공률 정보에 기초하여 동적으로 변동할 수 있다. 또한, 일 예로, 단말이 제 1 SR에 기초하여 기지국으로부터 상향링크 자원을 지시하는 상향링크 그랜트를 수신하고, 제 1 데이터가 발생 예측 시점에 발생하지 않는 경우, 단말은 기지국으로 제 1 SR의 취소를 지시할 수 있다.
여기서, 제 1 SR의 취소는 제 1 SR의 취소를 지시하는 MAC CE, 0으로 설정된 BSR 및 널 데이터를 포함하는 PUSCH 중 적어도 어느 하나를 통해 지시될 수 있으며, 이는 상술한 바와 같다.
또한, 단말은 SR 구성 정보에 기초하여 단말의 버퍼에 데이터가 발생함을 디텍트하면 제 2 SR을 트리거링하여 기지국으로 전송할 수 있다. 즉, 제 2 SR은 기존의 SR일 수 있다.
도 11은 본 개시의 일 실시예 따라, 단말이 자원 요청을 수행하는 방법을 나타낸 순서도이다.
도 11을 참조하면, 기지국은 단말 능력 정보를 단말로부터 수신할 수 있다. (S1110) 이때, 상술한 바와 같이, 기지국과 단말은 능력 협상 절차를 수행할 수 있다. 여기서, 단말은 상향링크 트래픽 예측에 대한 AI/ML 모델을 구비한 단말일 수 있다. 또한, 단말은 상향링크 트래픽 예측에 대한 AI/ML 모델을 통해 단말의 버퍼에 제 1 데이터의 발생 시점을 예측할 수 있다. 단말 능력 정보는 단말이 상향링크 트래픽 예측에 대한 AI/ML 모델을 구비하고 있는지 여부에 대한 정보, AI/ML 모델에 기초하여 학습이 수행되는 방식에 대한 정보, AI/ML 모델에 대한 출력 데이터의 타입 정보, 출력 데이터에 대한 트래픽 발생 시점에 대한 시간 단위 정보 및 AI/ML 모델에 기초한 예측 가능 시기 정보 중 적어도 어느 하나를 포함할 수 있으며, 이는 상술한 바와 같다. 다음으로, 기지국은 단말 능력 정보에 기초하여 SR 구성을 설정하고, 설정된 SR 구성 정보를 단말로 전송할 수 있다.(S1120) 그 후, 기지국은 SR 구성 정보에 기초하여 트리거링된 제 1 SR을 단말로부터 수신할 수 있다.(S1130) 여기서, 제 1 SR은 단말의 버퍼에 제 1 데이터가 발생하기 이전에 트리거링되는 SR일 수 있으며, 이는 상술한 바와 같다.
또한, 단말의 상향링크 트래픽 예측에 대한 AI/ML 모델을 통해 제 1 데이터에 기초한 버퍼 사이즈 정보가 더 예측될 수 있다.
여기서, 제 1 데이터에 기초한 버퍼 사이즈 정보가 예측되는 경우, 단말은 제 1 데이터에 대한 아이디 정보, 제 1 데이터의 발생 시점 정보 및 제 1 데이터에 기초한 버퍼 사이즈 정보 중 적어도 어느 하나를 포함하는 제 1 BSR을 트리거링하여 기지국으로 전송할 수 있다.
여기서, 단말에 트리거링된 제 1 BSR에 대한 상향링크 자원이 존재하지 않는 경우, SR이 트리거링되어 기지국으로 전송되고, 트리거링된 SR이 제 1 SR인 경우, 제 1 BSR은 제 1 데이터에 대한 아이디 정보 및 제 1 데이터에 기초한 버퍼 사이즈 정보를 포함하고, 제 1 데이터의 발생 시점 정보는 제 1 SR을 통해 기지국으로 지시될 수 있다.
또한, 단말의 상향링크 트래픽 예측에 대한 AI/ML 모델에 기초하여 제 1 SR의 신뢰도 정보가 더 도출될 수 있으며, 상술한 표 10과 같을 수 있다. 이때, 제 1 SR의 신뢰도 정보는 제 1 SR과 함께 기지국으로 전송될 수 있다.
또한, SR 구성 정보에 기초하여 적어도 하나 이상의 제 1 SR PUCCH 자원 및 적어도 하나 이상의 제 2 SR PUCCH 자원이 단말에 설정될 수 있다. 이때, 적어도 하나 이상의 제 1 SR PUCCH는 단말의 버퍼에 데이터 발생 전에 제 1 데이터의 발생 시점 예측에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원이고, 적어도 하나 이상의 제 2 SR PUCCH는 단말의 버퍼에 발생한 데이터에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원일 수 있다. 또 다른 일 예로, SR 구성 정보에 기초하여 제 3 SR PUCCH 자원이 단말에 더 설정될 수 있다. 이때, 제 3 SR PUCCH 자원은 발생 시점 예측에 기초하여 발생 시점에 제 1 데이터가 발생하지 않는 예측 실패 정보에 기초하여 제 1 SR을 취소하는 PUCCH 자원일 수 있으며, 이는 상술한 바와 같다.
또한, 일 예로, 제 1 SR은 제 1 데이터에 대한 아이디 정보 및 제 1 데이터의 발생 시점 예측 정보를 포함할 수 있다. 제 1 SR은 제 1 데이터의 발생 시점 예측 정보에 기초하여 발생 시점에서 제 1 데이터가 발생하는 예측 성공률 정보를 더 포함할 수 있다. 여기서, SR 구성 정보는 예측 성공률 정보에 기초하여 복수 개의 SR 설정 셋 정보를 포함할 수 있다. 단말은 복수 개의 SR 설정 셋 중 설정된 제 1 SR 설정 셋에 기초하여 제 1 SR을 트리거링할 수 있다. 또한, 단말은 단말에 설정된 SR 설정 셋은 예측 성공률 정보에 기초하여 동적으로 변동할 수 있다. 또한, 일 예로, 단말이 제 1 SR에 기초하여 기지국으로부터 상향링크 자원을 지시하는 상향링크 그랜트를 수신하고, 제 1 데이터가 발생 예측 시점에 발생하지 않는 경우, 단말은 기지국으로 제 1 SR의 취소를 지시할 수 있다.
여기서, 제 1 SR의 취소는 제 1 SR의 취소를 지시하는 MAC CE, 0으로 설정된 BSR 및 널 데이터를 포함하는 PUSCH 중 적어도 어느 하나를 통해 지시될 수 있으며, 이는 상술한 바와 같다.
또한, 단말은 SR 구성 정보에 기초하여 단말의 버퍼에 데이터가 발생함을 디텍트하면 제 2 SR을 트리거링하여 기지국으로 전송할 수 있다. 즉, 제 2 SR은 기존의 SR일 수 있다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 가 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시 예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(3rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시 예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THz 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.

Claims (20)

  1. 무선 통신 시스템에서 단말 동작 방법에 있어서,
    단말이 기지국으로 단말 능력 정보를 전송하는 단계;
    상기 단말 능력 정보에 기초하여 상기 기지국으로부터 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하는 단계; 및
    상기 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 상기 기지국으로 전송하는 단계;를 포함하되,
    상기 제 1 SR은 상기 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 상기 기지국으로 전송되는 SR인, 단말 동작 방법.
  2. 제 1 항에 있어서,
    상기 단말은 상향링크 트래픽 예측에 대한 AI(artificial intelligence)/ML(machine learning) 모델을 구비한 단말이고, 상기 상향링크 트래픽 예측에 대한 상기 AI/ML 모델을 통해 상기 단말의 상기 버퍼에 상기 제 1 데이터의 발생 시점을 예측하는, 단말 동작 방법.
  3. 제 2 항에 있어서,
    상기 단말 능력 정보는 상기 단말이 상기 상향링크 트래픽 예측에 대한 상기 AI/ML 모델을 구비하고 있는지 여부에 대한 정보, 상기 AI/ML 모델에 기초하여 학습이 수행되는 방식에 대한 정보, 상기 AI/ML 모델에 대한 출력 데이터의 타입 정보, 상기 출력 데이터에 대한 트래픽 발생 시점에 대한 시간 단위 정보 및 상기 AI/ML 모델에 기초한 예측 가능 시기 정보 중 적어도 어느 하나를 포함하는, 단말 동작 방법.
  4. 제 2 항에 있어서,
    상기 단말의 상기 상향링크 트래픽 예측에 대한 상기 AI/ML 모델을 통해 상기 제 1 데이터에 기초한 버퍼 사이즈 정보가 더 예측되는, 단말 동작 방법.
  5. 제 4 항에 있어서,
    상기 제 1 데이터에 기초한 상기 버퍼 사이즈 정보가 예측되는 경우, 상기 단말은 제 1 데이터에 대한 아이디 정보, 상기 제 1 데이터의 상기 발생 시점 정보 및 상기 제 1 데이터에 기초한 상기 버퍼 사이즈 정보 중 적어도 어느 하나를 포함하는 제 1 버퍼 상태 보고(buffer status report, BSR)을 트리거링하여 기지국으로 전송하는, 단말 동작 방법.
  6. 제 5 항에 있어서,
    상기 단말에 트리거링된 상기 제 1 BSR에 대한 상향링크 자원이 존재하지 않는 경우, SR이 트리거링되어 상기 기지국으로 전송되고,
    트리거링된 상기 SR이 상기 제 1 SR인 경우, 상기 제 1 BSR은 상기 제 1 데이터에 대한 아이디 정보 및 상기 제 1 데이터에 기초한 상기 버퍼 사이즈 정보를 포함하고,
    상기 제 1 데이터의 상기 발생 시점 정보는 상기 제 1 SR을 통해 상기 기지국으로 지시되는, 단말 동작 방법.
  7. 제 2 항에 있어서,
    상기 단말의 상기 상향링크 트래픽 예측에 대한 상기 AI/ML 모델에 기초하여 제 1 SR의 신뢰도 정보가 더 도출되고,
    상기 제 1 SR의 신뢰도 정보는 상기 제 1 SR과 함께 상기 기지국으로 전송되는, 단말 동작 방법.
  8. 제 1 항에 있어서,
    상기 SR 구성 정보에 기초하여 적어도 하나 이상의 제 1 SR PUCCH(physical uplink control channel) 자원 및 적어도 하나 이상의 제 2 SR PUCCH 자원이 상기 단말에 설정되되,
    적어도 하나 이상의 상기 제 1 SR PUCCH는 상기 단말의 상기 버퍼에 데이터 발생 전에 상기 제 1 데이터의 발생 시점 예측에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원이고,
    적어도 하나 이상의 상기 제 2 SR PUCCH는 상기 단말의 상기 버퍼에 발생한 데이터에 기초하여 트리거링되는 SR 전송에 대한 PUCCH 자원인, 단말 동작 방법.
  9. 제 8 항에 있어서,
    상기 SR 구성 정보에 기초하여 제 3 SR PUCCH 자원이 상기 단말에 더 설정되되,
    상기 제 3 SR PUCCH 자원은 상기 발생 시점 예측에 기초하여 발생 시점에 상기 제 1 데이터가 발생하지 않는 예측 실패 정보에 기초하여 상기 제 1 SR을 취소하는 PUCCH 자원인, 단말 동작 방법.
  10. 제 1 항에 있어서,
    상기 제 1 SR은 상기 제 1 데이터에 대한 아이디 정보 및 상기 제 1 데이터의 발생 시점 예측 정보를 포함하는, 단말 동작 방법.
  11. 제 10 항에 있어서,
    상기 제 1 SR은 상기 제 1 데이터의 상기 발생 시점 예측 정보에 기초하여 상기 발생 시점에서 상기 제 1 데이터가 발생하는 예측 성공률 정보를 더 포함하는, 단말 동작 방법.
  12. 제 11 항에 있어서,
    상기 SR 구성 정보는 상기 예측 성공률 정보에 기초하여 복수 개의 SR 설정 셋 정보를 포함하고,
    상기 단말은 상기 복수 개의 SR 설정 셋 중 설정된 제 1 SR 설정 셋에 기초하여 상기 제 1 SR을 트리거링하되, 상기 단말에 설정된 SR 설정 셋은 상기 예측 성공률 정보에 기초하여 동적으로 변동되는, 단말 동작 방법.
  13. 제 1 항에 있어서,
    상기 단말이 상기 제 1 SR에 기초하여 상기 기지국으로부터 상향링크 자원을 지시하는 상향링크 그랜트를 수신하고,
    상기 제 1 데이터가 발생 예측 시점에 발생하지 않는 경우, 상기 단말은 상기 기지국으로 상기 제 1 SR의 취소를 지시하는, 단말 동작 방법.
  14. 제 13 항에 있어서,
    상기 단말은 상기 제 1 SR 취소를 지시하는 MAC(medium access control) CE(control element), 0으로 설정된 BSR 및 널 데이터를 포함하는 PUSCH(physical uplink shared channel) 중 적어도 어느 하나를 통해 상기 제 1 SR의 취소를 지시하는, 단말 동작 방법.
  15. 제 1 항에 있어서,
    상기 단말은 상기 SR 구성 정보에 기초하여 상기 단말의 상기 버퍼에 데이터가 발생함을 디텍트하면 제 2 SR을 트리거링하여 상기 기지국으로 전송하는, 단말 동작 방법.
  16. 무선 통신 시스템에서 기지국 동작 방법에 있어서,
    단말로부터 단말 능력 정보를 수신하는 단계;
    상기 단말로 상기 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 전송하는 단계; 및
    상기 SR 구성 정보에 기초하여 트리거링된 제 1 SR을 상기 단말로부터 수신하는 단계;를 포함하되,
    상기 제 1 SR은 상기 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 상기 기지국으로 전송되는SR인, 기지국 동작 방법.
  17. 무선 통신 시스템의 단말에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하고,
    상기 프로세서는,
    상기 송수신기를 이용하여 기지국으로 단말 능력 정보를 전송하고,
    상기 송수신기를 이용하여 상기 기지국으로부터 상기 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하고,
    상기 송수신기를 이용하여 상기 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 상기 기지국으로 전송하되,
    상기 제 1 SR은 상기 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 상기 기지국으로 전송되는SR인, 단말.
  18. 무선 통신 시스템의 기지국에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하고,
    상기 프로세서는,
    상기 송수신기를 이용하여 단말로부터 단말 능력 정보를 수신하고,
    상기 송수신기를 이용하여 상기 단말로 상기 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 전송하고, 및
    상기 송수신기를 이용하여 상기 SR 구성 정보에 기초하여 트리거링된 제 1 SR을 상기 단말로부터 수신하되,
    상기 제 1 SR은 상기 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 상기 기지국으로 전송되는SR인, 기지국.
  19. 적어도 하나의 메모리 및 상기 적어도 하나의 메모리들과 기능적으로 연결되어 있는 적어도 하나의 프로세서를 포함하는 장치에 있어서,
    상기 적어도 하나의 프로세서는 상기 장치가,
    상기 기지국으로 단말 능력 정보를 전송하도록 제어하고,
    상기 기지국으로부터 상기 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하도록 제어하고,
    상기 송수신기를 이용하여 상기 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 상기 기지국으로 전송하도록 제어하되,
    상기 제 1 SR은 상기 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 상기 기지국으로 전송되는SR인, 장치.
  20. 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서,
    프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며,
    상기 적어도 하나의 명령어는,
    상기 기지국으로 단말 능력 정보를 전송하도록 제어하고,
    상기 기지국으로부터 상기 단말 능력 정보에 기초하여 스케줄링 요청(scheduling request, SR) 구성(configuration) 정보를 수신하도록 제어하고,
    상기 송수신기를 이용하여 상기 SR 구성 정보에 기초하여 제 1 SR을 트리거링하여 상기 기지국으로 전송하도록 제어하되,
    상기 제 1 SR은 상기 단말의 버퍼에 제1 데이터가 발생하기 전에 트리거링되어 상기 기지국으로 전송되는SR인, 컴퓨터 판독 가능 매체.
PCT/KR2022/009612 2022-07-04 2022-07-04 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치 WO2024010103A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/009612 WO2024010103A1 (ko) 2022-07-04 2022-07-04 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/009612 WO2024010103A1 (ko) 2022-07-04 2022-07-04 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2024010103A1 true WO2024010103A1 (ko) 2024-01-11

Family

ID=89453649

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/009612 WO2024010103A1 (ko) 2022-07-04 2022-07-04 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치

Country Status (1)

Country Link
WO (1) WO2024010103A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140301312A1 (en) * 2009-10-09 2014-10-09 Samsung Electronics Co., Ltd. Method and apparatus for transmitting scheduling request signal in mobile communication system
US20210013949A1 (en) * 2019-07-10 2021-01-14 Samsung Electronics Co., Ltd. Method and apparatus for handling scheduling request (sr) cancellation, random access (ra) prioritization and concurrent occurrence of beam failure recovery (bfr) on primary cell (pcell) and secondary cell (scell)
US20210051738A1 (en) * 2017-05-04 2021-02-18 Ofinno, Llc Schedule Request Procedures for Logical Channels of a Wireless Device
US20210377973A1 (en) * 2018-02-13 2021-12-02 Huawei Technologies Co., Ltd. Route update method, scheduling request cancellation method, and device
WO2021255107A1 (en) * 2020-06-19 2021-12-23 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for buffer state report

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140301312A1 (en) * 2009-10-09 2014-10-09 Samsung Electronics Co., Ltd. Method and apparatus for transmitting scheduling request signal in mobile communication system
US20210051738A1 (en) * 2017-05-04 2021-02-18 Ofinno, Llc Schedule Request Procedures for Logical Channels of a Wireless Device
US20210377973A1 (en) * 2018-02-13 2021-12-02 Huawei Technologies Co., Ltd. Route update method, scheduling request cancellation method, and device
US20210013949A1 (en) * 2019-07-10 2021-01-14 Samsung Electronics Co., Ltd. Method and apparatus for handling scheduling request (sr) cancellation, random access (ra) prioritization and concurrent occurrence of beam failure recovery (bfr) on primary cell (pcell) and secondary cell (scell)
WO2021255107A1 (en) * 2020-06-19 2021-12-23 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for buffer state report

Similar Documents

Publication Publication Date Title
WO2019245329A1 (en) Method and apparatus for performing conditional cell change in wireless communication system
WO2021091244A1 (ko) 무선통신시스템에서 sci 관련 ue의 동작 방법
WO2021066451A1 (ko) 무선통신시스템에서 2nd stage SCI 관련 UE의 동작 방법
WO2019245304A1 (en) Method and apparatus for performing conditional cell change based on channel occupancy in wireless communication system
WO2021040379A1 (ko) 무선통신시스템에서 사이드링크 rlm, rlf에 관련된 ue의 동작 방법 및 장치
WO2021154061A1 (ko) 무선통신시스템에서 사이드링크 csi 보고에 관련된 ue의 동작 방법
WO2022080702A1 (ko) 무선통신시스템에서 사이드링크 릴레이 및 rlf에 관련된 ue의 동작 방법
WO2020105833A1 (ko) 차세대 통신 시스템에서 릴레이 노드를 위한 자원 할당 방법 및 이를 위한 장치
WO2022019643A1 (ko) 무선통신시스템에서 릴레이 ue의 동작 방법
WO2022025667A1 (ko) 무선통신시스템에서 bwp에 관련된 릴레이 ue의 동작 방법
WO2021206462A1 (ko) 무선통신시스템에서 사이드링크 릴레이에 관련된 릴레이 ue의 동작 방법
WO2021075877A1 (ko) 무선통신시스템에서 사이드링크 타이머에 관련된 ue의 동작 방법
WO2022139230A1 (ko) 무선 통신 시스템에서 스플릿 포인트를 조정하는 방법 및 장치
WO2024010103A1 (ko) 무선 통신 시스템에서 자원 요청을 수행하는 방법 및 장치
WO2022092859A1 (ko) 무선 통신 시스템에서 스플릿 포인트 조정을 위한 장치 및 방법
WO2023017881A1 (ko) 무선 통신 시스템에서 측정 갭을 이용한 측정 결과에 기반하여 핸드오버를 수행하기 위한 장치 및 방법
WO2021256908A1 (ko) 무선통신시스템에서 릴레이에 관련된 ue의 동작 방법
WO2020159261A1 (en) Determination of maximum number of uplink retransmissions
WO2023013857A1 (ko) 무선 통신 시스템에서 데이터 학습을 수행하는 방법 및 장치
WO2023101304A1 (ko) 무선 통신 시스템에서 통신을 수행하는 방법 및 장치
WO2023101303A1 (ko) 무선 통신 시스템에서 통신을 수행하는 방법 및 장치
WO2023042938A1 (ko) 무선 통신 시스템에서 반사판을 통해 신호를 전송하는 방법 및 장치
WO2024048803A1 (ko) 무선 통신 시스템에서 불연속 수신 동작에 관련된 파라미터를 설정하기 위한 장치 및 방법
WO2023277218A1 (ko) 무선 통신 시스템에서 반사판을 통해 신호를 전송하는 방법 및 장치
WO2024038926A1 (ko) 무선 통신 시스템에서 신호를 송수신하기 위한 장치 및 방법

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: 22950329

Country of ref document: EP

Kind code of ref document: A1