WO2024010112A1 - 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법 - Google Patents

무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법 Download PDF

Info

Publication number
WO2024010112A1
WO2024010112A1 PCT/KR2022/009773 KR2022009773W WO2024010112A1 WO 2024010112 A1 WO2024010112 A1 WO 2024010112A1 KR 2022009773 W KR2022009773 W KR 2022009773W WO 2024010112 A1 WO2024010112 A1 WO 2024010112A1
Authority
WO
WIPO (PCT)
Prior art keywords
channel
base station
reference signals
ris
information
Prior art date
Application number
PCT/KR2022/009773
Other languages
English (en)
French (fr)
Inventor
김영준
김봉회
이상림
이경호
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/KR2022/009773 priority Critical patent/WO2024010112A1/ko
Publication of WO2024010112A1 publication Critical patent/WO2024010112A1/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
    • H01—ELECTRIC ELEMENTS
    • H01Q—ANTENNAS, i.e. RADIO AERIALS
    • H01Q15/00—Devices for reflection, refraction, diffraction or polarisation of waves radiated from an antenna, e.g. quasi-optical devices
    • H01Q15/14—Reflecting surfaces; Equivalent structures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines

Definitions

  • the following description relates to a wireless communication system and an apparatus and method for estimating a channel in a wireless communication system.
  • 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.
  • enhanced mobile broadband (eMBB) communication technology is being proposed compared to the existing radio access technology (RAT).
  • RAT radio access technology
  • a communication system that takes into account reliability and latency-sensitive services/UE (user equipment) as well as mMTC (massive machine type communications), which connects multiple devices and objects to provide a variety of services anytime and anywhere, is being proposed. .
  • mMTC massive machine type communications
  • the present disclosure can provide an apparatus and method for more effectively estimating a channel in a wireless communication system.
  • the present disclosure can provide an apparatus and method for estimating a channel related to a reflecting intelligent surface (RIS) in a wireless communication system.
  • RIS reflecting intelligent surface
  • the present disclosure can provide an apparatus and method for reducing the overhead of reference signal transmission for channel measurement in a wireless communication system.
  • the present disclosure may provide an apparatus and method for estimating a channel related to all reflective surfaces using some of the reflective surfaces of a RIS in a wireless communication system.
  • the present disclosure can provide an apparatus and method for controlling reference signals for channel measurement based on a channel environment in a wireless communication system.
  • the present disclosure can provide an apparatus and method for controlling patterns of reflective surfaces that reflect reference signals for channel measurement based on a channel environment in a wireless communication system.
  • the present disclosure may provide an apparatus and method for performing control signaling to support channel measurement using some of the reflective surfaces of a RIS in a wireless communication system.
  • the present disclosure can provide an apparatus and method for signaling information related to reflective surfaces used for channel measurement in a wireless communication system.
  • the present disclosure can provide an apparatus and method for controlling reference signals for channel measurement based on the degree of time-variance of the channel in a wireless communication system.
  • the present disclosure can provide an apparatus and method for measuring the degree of time variation of a channel during data transmission in a wireless communication system.
  • the present disclosure can provide an apparatus and method for estimating a channel using an artificial intelligence model in a wireless communication system.
  • the present disclosure can provide an apparatus and method for signaling information related to an artificial intelligence model used for channel measurement in a wireless communication system.
  • a method of operating a user equipment (UE) in a wireless communication system includes receiving configuration information related to channel measurement from a base station, receiving reference signals for the channel measurement, It may include generating channel information using reference signals, and transmitting the channel information to the base station.
  • the reference signals are transmitted from the base station, reflected on some of the reflecting surfaces included in the RIS (reflecting intelligent surface), and then received by the UE, and the setting information is set to an OFF signal among the reflecting surfaces. It may include information indicating the number or location of at least one reflective surface that is turned off.
  • a method of operating a base station in a wireless communication system includes the steps of transmitting configuration information related to channel measurement to a user equipment (UE), transmitting reference signals for the channel measurement, It may include receiving channel information generated using reference signals.
  • the reference signals are received by the UE after being reflected on some of the reflecting surfaces included in a reflecting intelligent surface (RIS), and the setting information includes at least one of the reflecting surfaces that is turned off. It may include information indicating the number or location of reflective surfaces.
  • RIS reflecting intelligent surface
  • a user equipment (UE) in a wireless communication system includes a transceiver and a processor connected to the transceiver, wherein the processor receives configuration information related to channel measurement from a base station, and the Receives reference signals for channel measurement, generates channel information using the reference signals, and controls to transmit the channel information to the base station.
  • the reference signals are transmitted from the base station and are transmitted through a reflecting intelligent surface (RIS). ) is received by the UE after being reflected on some of the reflecting surfaces included in May contain information.
  • RIS reflecting intelligent surface
  • a base station in a wireless communication system includes a transceiver and a processor connected to the transceiver, and the processor transmits configuration information related to channel measurement to a user equipment (UE), Controls transmission of reference signals for channel measurement and reception of channel information generated using the reference signals, and the reference signals are applied to some of the reflecting surfaces included in a reflecting intelligent surface (RIS). After being reflected, it is received by the UE, and the setting information may include information indicating the number or location of at least one reflective surface that is turned off among the reflective surfaces.
  • RIS reflecting intelligent surface
  • a communication device includes at least one processor, at least one computer memory connected to the at least one processor and storing instructions that direct operations as executed by the at least one processor.
  • the operations include receiving configuration information related to channel measurement from a base station, receiving reference signals for channel measurement, generating channel information using the reference signals, and the channel It may include transmitting information to the base station.
  • the reference signals are transmitted from the base station, reflected on some of the reflecting surfaces included in the RIS (reflecting intelligent surface), and then received by the communication device, and the setting information is one of the reflecting surfaces. It may include information indicating the number or location of at least one reflective surface that is turned off.
  • the at least one executable by a processor It includes a command, wherein the at least one command causes the device to receive configuration information related to channel measurement from a base station, receive reference signals for the channel measurement, and generate channel information using the reference signals.
  • Generating and controlling the channel information to be transmitted to the base station wherein the reference signals are transmitted from the base station and reflected on some of the reflecting surfaces included in the reflecting intelligent surface (RIS) and then transmitted to the device.
  • the setting information may include information indicating the number or position of at least one reflective surface that is turned off among the reflective surfaces.
  • reference signal transmission overhead for channel estimation can be reduced.
  • FIG. 1 shows an example of a communication system applicable to the present disclosure.
  • Figure 2 shows an example of a wireless device applicable to the present disclosure.
  • Figure 3 shows another example of a wireless device applicable to the present disclosure.
  • Figure 4 shows an example of a portable device applicable to the present disclosure.
  • FIG 5 shows an example of a vehicle or autonomous vehicle applicable to the present disclosure.
  • Figure 6 shows an example of AI (Artificial Intelligence) applicable to the present disclosure.
  • Figure 7 shows a method of processing a transmission signal applicable to the present disclosure.
  • Figure 8 shows an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • Figure 10 shows a THz communication method applicable to the present disclosure.
  • Figure 11 shows the structure of a perceptron included in an artificial neural network applicable to the present disclosure.
  • Figure 12 shows an artificial neural network structure applicable to the present disclosure.
  • 13 shows a deep neural network applicable to this disclosure.
  • 15 shows a filter operation of a convolutional neural network applicable to this disclosure.
  • Figure 16 shows a neural network structure with a cyclic loop applicable to the present disclosure.
  • Figure 17 shows the operational structure of a recurrent neural network applicable to the present disclosure.
  • RIS reflecting intelligent surface
  • Figure 19 shows an example of a base station (BS)-RIS-user equipment (UE) path according to an embodiment of the present disclosure.
  • Figure 20 illustrates the concept of reference signal transmission according to an embodiment of the present disclosure.
  • Figure 21 shows an example of an artificial intelligence model for determining off patterns for reflective surfaces according to an embodiment of the present disclosure.
  • Figure 22 shows an example of a procedure for controlling channel measurement according to an embodiment of the present disclosure.
  • Figure 23 shows an example of a procedure for obtaining RIS-related channel information according to an embodiment of the present disclosure.
  • Figure 24 shows an example of a procedure for receiving downlink data according to an embodiment of the present disclosure.
  • Figure 25 shows an example of a procedure for measuring a RIS-related channel according to an embodiment of the present disclosure.
  • Figures 26a and 26b show an example of a measurement procedure for a BS-RIS-UE channel according to an embodiment of the present disclosure.
  • Figures 27a and 27b show an example of a channel measurement procedure considering time-variance characteristics of the channel 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.
  • Wireless devices 100a to 100f may be connected to the network 130 through the base station 120.
  • AI technology may be applied to the wireless devices 100a to 100f, and the wireless devices 100a to 100f may be connected to the AI server 100g through the network 130.
  • the network 130 may be configured using a 3G network, 4G (eg, LTE) network, or 5G (eg, NR) network.
  • Wireless devices 100a to 100f may communicate with each other through the base station 120/network 130, but communicate directly (e.g., sidelink communication) without going through the base station 120/network 130. You may.
  • vehicles 100b-1 and 100b-2 may communicate directly (eg, vehicle to vehicle (V2V)/vehicle to everything (V2X) communication).
  • the IoT device 100f eg, sensor
  • another IoT device eg, sensor
  • Wireless communication/connection may be established between the wireless devices (100a to 100f)/base station (120) and the base station (120)/base station (120).
  • wireless communication/connection includes various methods such as uplink/downlink communication (150a), sidelink communication (150b) (or D2D communication), and inter-base station communication (150c) (e.g., relay, integrated access backhaul (IAB)).
  • IAB integrated access backhaul
  • This can be achieved through wireless access technology (e.g. 5G NR).
  • wireless communication/connection 150a, 150b, 150c
  • a wireless device and a base station/wireless device, and a base station and a base station can transmit/receive wireless signals to each other.
  • wireless communication/connection 150a, 150b, and 150c may transmit/receive signals through various physical channels.
  • various configuration information setting processes for transmitting/receiving wireless signals various signal processing processes (e.g., channel encoding/decoding, modulation/demodulation, resource mapping/demapping, etc.) , at least some of the resource allocation process, etc. may be performed.
  • FIG. 2 is a diagram illustrating an example of a wireless device applicable to the present disclosure.
  • the first wireless device 200a and the second wireless device 200b can transmit and receive wireless signals through various wireless access technologies (eg, LTE, NR).
  • ⁇ first wireless device 200a, second wireless device 200b ⁇ refers to ⁇ wireless device 100x, base station 120 ⁇ and/or ⁇ wireless device 100x, wireless device 100x) in FIG. ⁇ can be responded to.
  • 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
  • One or more processors 202a, 202b may generate one or more Protocol Data Units (PDUs) and/or one or more service data units (SDUs) according to the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed in this document. can be created.
  • One or more processors 202a and 202b may generate messages, control information, data or information according to the descriptions, functions, procedures, suggestions, methods and/or operational flowcharts disclosed in this document.
  • One or more processors 202a, 202b generate signals (e.g., baseband signals) containing PDUs, SDUs, messages, control information, data, or information according to the functions, procedures, proposals, and/or methods disclosed herein.
  • 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).
  • FIG. 1, 100e home appliances
  • IoT devices Figure 1, 100f
  • digital broadcasting terminals hologram devices
  • public safety devices MTC devices
  • medical devices fintech devices (or financial devices)
  • security devices climate/ It can be implemented in the form of an environmental device, AI server/device (FIG. 1, 140), base station (FIG. 1, 120), network node, etc.
  • Wireless devices can be mobile or used in fixed locations depending on the usage/service.
  • 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.
  • control unit 320 may be composed of a set of a communication control processor, an application processor, an electronic control unit (ECU), a graphics processing processor, and a memory control processor.
  • memory unit 330 may be comprised of RAM, dynamic RAM (DRAM), ROM, flash memory, volatile memory, non-volatile memory, and/or a combination thereof. It can be configured.
  • FIG. 4 is a diagram illustrating an example of a portable device to which the present disclosure is applied.
  • FIG 4 illustrates a portable device to which the present disclosure is applied.
  • Portable devices may include smartphones, smart pads, wearable devices (e.g., smart watches, smart glasses), and portable computers (e.g., laptops, etc.).
  • a mobile device may be referred to as a mobile station (MS), user terminal (UT), mobile subscriber station (MSS), subscriber station (SS), advanced mobile station (AMS), or wireless terminal (WT).
  • MS mobile station
  • UT user terminal
  • MSS mobile subscriber station
  • SS subscriber station
  • AMS advanced mobile station
  • WT wireless terminal
  • the portable device 400 includes an antenna unit 408, a communication unit 410, a control unit 420, a memory unit 430, a power supply unit 440a, an interface unit 440b, and an input/output unit 440c. ) may include.
  • the antenna unit 408 may be configured as part of the communication unit 410.
  • Blocks 410 to 430/440a to 440c correspond to blocks 310 to 330/340 in FIG. 3, respectively.
  • the communication unit 410 can transmit and receive signals (eg, data, control signals, etc.) with other wireless devices and base stations.
  • the control unit 420 can control the components of the portable device 400 to perform various operations.
  • the control unit 420 may include an application processor (AP).
  • the memory unit 430 may store data/parameters/programs/codes/commands necessary for driving the portable device 400. Additionally, the memory unit 430 can store input/output data/information, etc.
  • the power supply unit 440a supplies power to the portable device 400 and may include a wired/wireless charging circuit, a battery, etc.
  • the interface unit 440b may support connection between the mobile device 400 and other external devices.
  • the interface unit 440b may include various ports (eg, audio input/output ports, video input/output ports) for connection to external devices.
  • the input/output unit 440c may input or output video information/signals, audio information/signals, data, and/or information input from the user.
  • the input/output unit 440c may include a camera, a microphone, a user input unit, a display unit 440d, a speaker, and/or a haptic module.
  • the input/output unit 440c acquires information/signals (e.g., touch, text, voice, image, video) input from the user, and the obtained information/signals are stored in the memory unit 430. It can be saved.
  • the communication unit 410 can convert the information/signal stored in the memory into a wireless signal and transmit the converted wireless signal directly to another wireless device or to a base station. Additionally, the communication unit 410 may receive a wireless signal from another wireless device or a base station and then restore the received wireless signal to the original information/signal.
  • the restored information/signal may be stored in the memory unit 430 and then output in various forms (eg, text, voice, image, video, haptic) through the input/output unit 440c.
  • FIG. 5 is a diagram illustrating an example of a vehicle or autonomous vehicle applied to the present disclosure.
  • a vehicle or autonomous vehicle can be implemented as a mobile robot, vehicle, train, aerial vehicle (AV), ship, etc., and is not limited to the form of a vehicle.
  • AV aerial vehicle
  • the vehicle or autonomous vehicle 500 includes an antenna unit 508, a communication unit 510, a control unit 520, a drive unit 540a, a power supply unit 540b, a sensor unit 540c, and an autonomous driving unit. It may include a portion 540d.
  • the antenna unit 550 may be configured as part of the communication unit 510. Blocks 510/530/540a to 540d correspond to blocks 410/430/440 in FIG. 4, respectively.
  • the communication unit 510 may transmit and receive signals (e.g., data, control signals, etc.) with external devices such as other vehicles, base stations (e.g., base stations, road side units, etc.), and servers.
  • the control unit 520 may control elements of the vehicle or autonomous vehicle 500 to perform various operations.
  • the control unit 520 may include an electronic control unit (ECU).
  • ECU electronice control unit
  • FIG. 6 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 610 to 630/640a to 640d may correspond to blocks 310 to 330/340 of FIG. 3, respectively.
  • the communication unit 610 uses wired and wireless communication technology to communicate with 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 620 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. Additionally, the memory unit 630 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 640c may be transmitted to an external device through the communication unit 610 and/or stored in the memory unit 630.
  • Figure 7 is a diagram illustrating a method of processing a transmission signal applied to the present disclosure.
  • the transmission signal may be processed by a signal processing circuit.
  • the signal processing circuit 700 may include a scrambler 710, a modulator 720, a layer mapper 730, a precoder 740, a resource mapper 750, and a signal generator 760.
  • the operation/function of FIG. 7 may be performed in the processors 202a and 202b and/or transceivers 206a and 206b of FIG. 2.
  • the hardware elements of FIG. 7 may be implemented in the processors 202a and 202b and/or transceivers 206a and 206b of FIG. 2.
  • blocks 710 to 760 may be implemented in processors 202a and 202b of FIG. 2. Additionally, blocks 710 to 750 may be implemented in the processors 202a and 202b of FIG. 2, and block 760 may be implemented in the transceivers 206a and 206b of FIG. 2, and are not limited to the above-described embodiment.
  • the codeword can be converted into a wireless signal through the signal processing circuit 700 of FIG. 7.
  • a codeword is an encoded bit sequence of an information block.
  • the information block may include a transport block (eg, UL-SCH transport block, DL-SCH transport block).
  • Wireless signals may be transmitted through various physical channels (eg, PUSCH, PDSCH).
  • the codeword may be converted into a scrambled bit sequence by the scrambler 710.
  • the scramble sequence used for scrambling is generated based on an initialization value, and the initialization value may include ID information of the wireless device.
  • the scrambled bit sequence may be modulated into a modulation symbol sequence by the modulator 720.
  • Modulation methods may include pi/2-binary phase shift keying (pi/2-BPSK), m-phase shift keying (m-PSK), and m-quadrature amplitude modulation (m-QAM).
  • the complex modulation symbol sequence may be mapped to one or more transport layers by the layer mapper 730.
  • the modulation symbols of each transport layer may be mapped to corresponding antenna port(s) by the precoder 740 (precoding).
  • the output z of the precoder 740 can be obtained by multiplying the output y of the layer mapper 730 with the precoding matrix W of N*M.
  • N is the number of antenna ports and M is the number of transport layers.
  • the precoder 740 may perform precoding after performing transform precoding (eg, discrete Fourier transform (DFT) transform) on complex modulation symbols. Additionally, the precoder 740 may perform precoding without performing transform precoding.
  • transform precoding eg, discrete Fourier transform (DFT) transform
  • the resource mapper 750 can map the modulation symbols of each antenna port to time-frequency resources.
  • a time-frequency resource may include a plurality of symbols (eg, CP-OFDMA symbol, DFT-s-OFDMA symbol) in the time domain and a plurality of subcarriers in the frequency domain.
  • the signal generator 760 generates a wireless signal from the mapped modulation symbols, and the generated wireless signal can be transmitted to another device through each antenna.
  • the signal generator 760 may include an inverse fast fourier transform (IFFT) module, a cyclic prefix (CP) inserter, a digital-to-analog converter (DAC), a frequency uplink converter, etc. .
  • IFFT inverse fast fourier transform
  • CP cyclic prefix
  • DAC digital-to-analog converter
  • the signal processing process for the received signal in the wireless device may be configured as the reverse of the signal processing process (710 to 760) of FIG. 7.
  • a wireless device eg, 200a and 200b in FIG. 2
  • the received wireless signal can be converted into a baseband signal through a signal restorer.
  • the signal restorer may include a frequency downlink converter, an analog-to-digital converter (ADC), a CP remover, and a fast fourier transform (FFT) module. Thereafter, the baseband signal can be restored to a codeword through a resource de-mapper process, postcoding process, demodulation process, and de-scramble process.
  • ADC analog-to-digital converter
  • FFT fast fourier transform
  • a signal processing circuit for a received signal may include a signal restorer, resource de-mapper, postcoder, demodulator, de-scrambler, and decoder.
  • 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.
  • FIG. 10 is a diagram illustrating an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • the 6G system is expected to have simultaneous wireless communication connectivity 50 times higher than that of the 5G wireless communication system.
  • URLLC a key feature of 5G, is expected to become an even more mainstream technology in 6G communications by providing end-to-end delays of less than 1ms.
  • the 6G system will have much better volume spectrum efficiency, unlike the frequently used area spectrum efficiency.
  • 6G systems can provide very long battery life and advanced battery technologies for energy harvesting, so mobile devices in 6G systems may not need to be separately charged.
  • 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.
  • DNN deep neural networks
  • 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
  • THz communication can be applied in the 6G system.
  • the data transfer rate can be increased by increasing the bandwidth. This can be accomplished by using sub-THz communications with wide bandwidth and applying advanced massive MIMO technology.
  • FIG. 9 is a diagram showing an electromagnetic spectrum applicable to the present disclosure.
  • THz waves also known as submillimeter radiation, typically represent a frequency band between 0.1 THz and 10 THz with a corresponding wavelength in the range of 0.03 mm-3 mm.
  • the 100GHz-300GHz band range (Sub THz band) is considered the main part of the THz band for cellular communications. Adding the Sub-THz band to the mmWave band increases 6G cellular communication capacity.
  • 300GHz-3THz is in the far infrared (IR) frequency band.
  • the 300GHz-3THz band is part of the wideband, but it is at the border of the wideband and immediately behind the RF band. Therefore, this 300 GHz-3 THz band shows similarities to RF.
  • THz communications Key characteristics of THz communications include (i) widely available bandwidth to support very high data rates, (ii) high path loss occurring at high frequencies (highly directional antennas are indispensable).
  • the narrow beamwidth produced by a highly directional antenna reduces interference.
  • the small wavelength of THz signals allows a much larger number of antenna elements to be integrated into devices and BSs operating in this band. This enables the use of advanced adaptive array techniques that can overcome range limitations.
  • THz Terahertz
  • FIG. 10 is a diagram illustrating a THz communication method applicable to the present disclosure.
  • THz waves are located between RF (Radio Frequency)/millimeter (mm) and infrared bands. (i) Compared to visible light/infrared, they penetrate non-metal/non-polarized materials better and have a shorter wavelength than RF/millimeter waves, so they have high straightness. Beam focusing may be possible.
  • Figure 11 shows the structure of a perceptron included in an artificial neural network applicable to the present disclosure. Additionally, Figure 12 shows an artificial neural network structure applicable to the present disclosure.
  • an artificial intelligence system can be applied in the 6G system.
  • the artificial intelligence system may operate based on a learning model corresponding to the human brain, as described above.
  • the machine learning paradigm that uses a highly complex neural network structure, such as artificial neural networks, as a learning model can be called deep learning.
  • the neural network core used as a learning method is largely divided into deep neural network (DNN), convolutional deep neural network (CNN), and recurrent neural network (RNN). There is a way.
  • the artificial neural network may be composed of several perceptrons.
  • the input vector x ⁇ x 1 , x 2 , ... , x d ⁇ , weights ⁇ W 1 , W 2 , ... are assigned to each component. , W d ⁇ are multiplied, the results are summed, and the entire process of applying the activation function ⁇ ( ⁇ ) can be called a perceptron. If the large artificial neural network structure expands the simplified perceptron structure shown in FIG. 11, the input vector can be applied to different multi-dimensional perceptrons. For convenience of explanation, input or output values are referred to as nodes.
  • the perceptron structure shown in FIG. 11 can be described as consisting of a total of three layers based on input and output values.
  • An artificial neural network with H (d+1) dimensional perceptrons between the 1st layer and the 2nd layer, and K (H+1) dimensional perceptrons between the 2nd layer and the 3rd layer can be expressed as shown in Figure 12. You can.
  • the layer where the input vector is located is called the input layer
  • the layer where the final output value is located is called the output layer
  • all layers located between the input layer and the output layer are called hidden layers.
  • three layers are shown in FIG. 12, but when counting the actual number of artificial neural network layers, the input layer is counted excluding the input layer, so the artificial neural network illustrated in FIG. 12 can be understood as having a total of two layers.
  • An artificial neural network is constructed by two-dimensionally connecting perceptrons of basic blocks.
  • the above-described input layer, hidden layer, and output layer can be jointly applied not only to the multi-layer perceptron, but also to various artificial neural network structures such as CNN and RNN, which will be described later.
  • CNN neural network
  • RNN deep neural network
  • 13 shows a deep neural network applicable to this disclosure.
  • the deep neural network may be a multi-layer perceptron consisting of 8 hidden layers and 8 output layers.
  • the multi-layer perceptron structure can be expressed as a fully-connected neural network.
  • a fully connected neural network no connection exists between nodes located on the same layer, and connections can only exist between nodes located on adjacent layers.
  • DNN has a fully connected neural network structure and is composed of a combination of multiple hidden layers and activation functions, so it can be usefully applied to identify correlation characteristics between input and output.
  • the correlation characteristic may mean the joint probability of input and output.
  • Figure 14 shows a convolutional neural network applicable to this disclosure. Additionally, Figure 15 shows a filter operation of a convolutional neural network applicable to this disclosure.
  • DNN various artificial neural network structures different from the above-described DNN can be formed.
  • nodes located inside one layer are arranged in a one-dimensional vertical direction.
  • the nodes are arranged two-dimensionally, with w nodes horizontally and h nodes vertically.
  • a weight is added for each connection in the connection process from one input node to the hidden layer, a total of h ⁇ w weights must be considered. Since there are h ⁇ w nodes in the input layer, a total of h 2 w 2 weights may be required between two adjacent layers.
  • the convolutional neural network of Figure 14 has a problem in that the number of weights increases exponentially depending on the number of connections, so instead of considering all mode connections between adjacent layers, it is assumed that a small filter exists. You can. For example, as shown in FIG. 15, weighted sum and activation function calculations can be performed on areas where filters overlap.
  • one filter has a weight corresponding to the number of filters, and the weight can be learned so that a specific feature in the image can be extracted and output as a factor.
  • a 3 ⁇ 3 filter is applied to the upper leftmost 3 ⁇ 3 area of the input layer, and the output value as a result of performing the weighted sum and activation function calculation for the corresponding node can be stored at z 22 .
  • the above-described filter scans the input layer and moves at regular intervals horizontally and vertically to perform weighted sum and activation function calculations, and the output value can be placed at the current filter position. Since this operation method is similar to the convolution operation on images in the field of computer vision, a deep neural network with this structure is called a convolutional neural network (CNN), and the The hidden layer may be called a convolutional layer. Additionally, a neural network with multiple convolutional layers may be referred to as a deep convolutional neural network (DCNN).
  • CNN convolutional neural network
  • the number of weights can be reduced by calculating a weighted sum from the node where the current filter is located, including only the nodes located in the area covered by the filter. Because of this, one filter can be used to focus on features for a local area. Accordingly, CNN can be effectively applied to image data processing in which the physical distance in a two-dimensional area is an important decision criterion. Meanwhile, CNN may have multiple filters applied immediately before the convolution layer, and may generate multiple output results through the convolution operation of each filter.
  • Figure 16 shows a neural network structure with a cyclic loop applicable to the present disclosure.
  • Figure 17 shows the operational structure of a recurrent neural network applicable to the present disclosure.
  • a recurrent neural network is a recurrent neural network (RNN) that uses elements of a certain line of sight t in a data sequence ⁇ x 1 (t) , x 2 (t) ,...
  • z H (t-1) ⁇ can be input together to have a structure that applies a weighted sum and activation function.
  • the reason for passing the hidden vector to the next time point like this is because the information in the input vector from previous time points is considered to be accumulated in the hidden vector at the current time point.
  • the recurrent neural network can operate in a predetermined time point order with respect to the input data sequence.
  • the input vector at time point 1 ⁇ x 1 (t) , x 2 (t) , ... , x d (t) ⁇ is the hidden vector when input to the recurrent neural network ⁇ z 1 (1) , z 2 (1) , ... , z H (1) ⁇ is the input vector at point 2 ⁇ x 1 (2) , x 2 (2) , ... , x d (2) ⁇ , and the vectors of the hidden layer ⁇ z 1 (2) , z 2 (2) , ... , z H (2) ⁇ is determined. This process progresses from time point 2, time point 3, ... , is performed repeatedly until time T.
  • Recurrent neural networks are designed to be useful for sequence data (e.g., natural language processing).
  • neural network core used as a learning method, in addition to DNN, CNN, and RNN, it includes restricted Boltzmann machine (RBM), deep belief networks (DBN), deep Q-Network, and It includes various deep learning techniques, and can be applied to fields such as computer vision, speech recognition, natural language processing, and voice/signal processing.
  • RBM restricted Boltzmann machine
  • DNN deep belief networks
  • Q-Network deep Q-Network
  • It includes various deep learning techniques, and can be applied to fields such as computer vision, speech recognition, natural language processing, and voice/signal processing.
  • 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 mechanism, AI-based resource scheduling ( It may include scheduling and allocation, etc.
  • RIS is one of the major new technology candidates for future wireless communications, and is a surface equipped with multiple elements that reflect signals. Each device element can independently change the phase of impinging electromagnetic waves.
  • One of the main features of RIS is that it is controllable, allowing the phase change rate of each element to be adjusted in real time. Based on the adjustment of the phase change rate, it is possible to modify the wireless communication channel in real time, such as increasing the information transmission rate or assisting devices that cannot receive a signal. Additionally, because it uses passive elements that support only signal reflection, RIS can be implemented at a low cost and with low power consumption.
  • Metamaterials which are devices that cause reflection of signals, can be implemented in various ways.
  • metamaterials include a diode method using metal materials, a method using liquid crystal, and a method using graphene (e.g., a method of combining graphene and metal using surface plasmon polariton (SPP)). It can be implemented based on Metamaterials can be implemented in various other ways.
  • Devices made of metamaterials can be controlled electronically or mechanically, and the phase change rate applied when a signal is reflected from each device can be adjusted. Additionally, each of the elements may be deactivated so as not to reflect signals.
  • the RIS may further include active elements as well as passive elements.
  • An active device refers to a device that has the ability to process received signals beyond simply reflecting signals. Active devices can be implemented by connecting the receiving RF chain to passive devices. Active devices may weaken the characteristics of low cost and low complexity, which are one of the advantages of RIS, but active devices can enable more diverse and flexible system operation. Active devices are also referred to as active sensors.
  • FIG. 18 shows a RIS applicable to this disclosure.
  • the RIS 1830 includes a communication unit 1832, a reflection unit 1834, and a control unit 1836.
  • the communication unit 1832 performs functions for communication with other devices (eg, base station 1810).
  • the communication unit 1832 may perform control signaling.
  • the reflector 1834 includes a plurality of elements for reflecting signals.
  • a plurality of devices may be composed of metamaterials that change states according to physical control.
  • Each element for reflecting a signal may be referred to as a 'reflecting element', a 'reflecting surface', a 'reflecting element (component)', or other terms with equivalent technical meaning.
  • the control unit 1836 controls the overall operation of the RIS (1830). For example, for control signaling with another device, the control unit 1836 may use the communication unit 1832 to perform a procedure to establish an interface with the other device. Additionally, the control unit 1836 can control the states of elements included in the reflection unit 1834 according to control messages received from other devices. Although not shown in FIG. 18, the RIS 1830 may further include at least one receiving RF chain for implementing an active element.
  • This disclosure relates to channel estimation in wireless communication systems. Specifically, the present disclosure relates to techniques for estimating channels related to RIS in a wireless communication system.
  • the RIS may be replaced by a relay station or an integrated access and backhaul (IAB) node with limited functionality.
  • IAB integrated access and backhaul
  • limited functionality means that it is implemented with low hardware capabilities or operates with some functions blocked depending on the operation mode.
  • the RIS includes at least one reflecting surface that has the property of reflecting signals.
  • the reflective surface is a unit that reflects a signal and may also be referred to as an 'element'.
  • Reflective surfaces can be divided into active elements that can change the frequency, phase, and power of the reflected signal, and passive elements that can only change the phase.
  • RIS composed of active elements can control the reflected signal more diversely, but experiences noise amplification.
  • RIS composed of passive elements has limitations in controlling the reflected signal because it can only change the phase, but is suitable for amplifying the signal without amplifying noise.
  • RIS can be divided into active RIS consisting only of active elements, semi-passive RIS consisting of a combination of active and passive elements, and passive RIS consisting only of passive elements. .
  • CSI channel state information
  • RIS e.g. reflection coefficient
  • Figure 19 shows an example of a BS-RIS-US path according to an embodiment of the present disclosure.
  • the base station 1910 and the UE 1920 each include eight antenna elements, and the RIS 1930 includes eight reflective surfaces.
  • Table 2 shows some examples of downlink channel estimation techniques for determining the CSI measurement, transmission beam weight, and RIS weight of the BS-RIS-UE path in cellular communication with passive RIS applied.
  • Phase 1 One antenna elements
  • Phase 1 DFT-based reference signal considering all antenna elements M total + - Gaussian channel distribution, - Power loss, - Error propagation
  • Phase 2 Switching on each antenna element in turn for all elements
  • Phase 2 Switching on all reflecting elements
  • Predesigned Reflecting coefficient matrix-based method DFT-based precoding matrix
  • Predesigned reflecting coefficient matrix from a codebook for data transmission considering all reflecting elements, not orthogonal matrix
  • K x (# of Reflecting coefficient matrices) Pre-designed codebook for data transmission, - Estimated channel depending on reflecting coefficient matrices -TX Beamforming weight design - Power
  • [Table 2] four reference signal transmission methods for estimating the channel of the BS-RIS-UE path are introduced.
  • K is the number of antenna elements of the base station
  • M total is the number of reflective surfaces of the RIS
  • N is the number of antenna elements of the UE.
  • the On/Off method is a method in which the base station and RIS sequentially turn on/off antenna elements and reflective surfaces to estimate the channel. In the case of the on/off method, only one antenna element is turned on per reference signal transmission time, so power loss may occur.
  • the DFT-based method transmits reference signals based on a DFT matrix to distinguish antenna elements and RIS surfaces during channel estimation. That is, according to the DFT-based method, the base station transmits reference signals based on the K-DFT matrix, and the RIS sets the phase of the reflective surfaces by applying the M total -DFT matrix.
  • the DFT-based method requires a total reference signal transmission time of M total K.
  • the elements included in the mth column of the DFT matrix used in RIS are the phase values of the reflection surfaces of the RIS set at the mth transmission time.
  • the elements included in the kth column of the DFT matrix used in the base station are the values of the kth reference signal transmitted by the base station. Reference signals can be transmitted so that all columns of the DFT matrices of the base station and RIS can be transmitted.
  • the two phase method is a method of dividing the channel into two stages when estimating the channel of the BS-RIS-UE path.
  • channel estimation is performed using channel-related information estimated using reference signals transmitted in Phase 1 together with received signals observed from reference signals transmitted in Phase 2.
  • the reference signal transmission overhead can be reduced.
  • the 2-phase method considers the complex Gaussian channel environment and the corresponding full rank environment, there may be restrictions on the channel environment when applied.
  • power loss may also exist.
  • the information detected in Phase 1 is used in Phase 2, error propagation problems may also occur.
  • the predesigned reflecting coefficient matrix-based method estimates the channel for each reflecting weight matrix included in the RIS reflecting weight codebook for predesigned data transmission, This method selects the reflection weight matrix that appears to provide the best performance when transmitting data.
  • the base station may transmit a reference signal based on a K-DFT matrix. Therefore, the required number of reference signal transmission opportunities (occasion) is based on the number of antennas K of the base station and the number of matrices included in the codebook.
  • the on/off method, DFT-based method, and 2-phase method estimate the channel of the BS-RIS-UE path and then calculate the transmission precoding matrix of the base station and the weight of the reflection surface of the RIS from the estimated channel. let them decide
  • the pre-designed reflection coefficient matrix-based method designs the reflection weight codebook to be used when transmitting data in advance, and uses the channel estimated for each reflection weight matrix to provide the maximum achievable rate. Let's choose a matrix.
  • the present disclosure proposes a technique in which RIS can reduce reference signal transmission overhead by turning off some of its reflective surfaces when estimating a downlink channel to determine CSI measurement, transmission beam weight, and RIS weight. Additionally, this disclosure describes various embodiments of specific operations and signaling procedures for performing the proposed technology. In particular, the proposed technique operates the RIS such that even if the RIS turns off some of the reflective surfaces, the off of some reflective surfaces is associated with the reference signal transmission overhead. According to various embodiments of the present disclosure, since the RIS performs channel estimation using only reflected signals without operating at least one specific reflective surface, the reflective surface(s) of the RIS that are not used during channel estimation The reference signal transmission overhead can be reduced in proportion to the number of . The proposed technology can be used with various base station reference signal transmission methods and methods for selecting the weight of the reflecting surface of various RISs, and is not limited to a specific method.
  • Figure 20 illustrates the concept of reference signal transmission according to an embodiment of the present disclosure.
  • Figure 20 illustrates a reference signal transmission method according to an embodiment in a situation where the DFT-based reference signal transmission method is applied.
  • a DFT-based reference signal transmission method is illustrated for convenience of explanation, but it is obvious that other reference signal transmission methods in addition to the DFT-based reference signal transmission method can be combined with the proposed technology.
  • the RIS reflects the reference signal with the specific reflecting surface turned off.
  • the total number of reflective surfaces of the RIS is expressed as M total
  • the number of off reflective surfaces is M off
  • the positions of the reflective surfaces of the turned-off RIS may be selected using a deep learning (DL) technique such as an auto-encoder.
  • DL deep learning
  • auto-encoder technology can be used in which the output of the encoder is expressed in an on-off form.
  • offline learning can be performed to select a reflective surface that is turned off in the RIS.
  • the UE (2020) performs channel estimation using reference signals transmitted from the base station (2010) and received after reflecting the RIS (2030).
  • the UE 2020 estimates or predicts received values of reference signals to be received through turned-off reflective surfaces.
  • An estimate or prediction of the signals to be received through the turned-off reflective surfaces is performed based on the signals received through the turned-on reflective surfaces.
  • the UE 2020 can estimate the values of signals to be received through turned-off reflective surfaces by performing an interpolation/extrapolation operation on the values of signals received through turned-on reflective surfaces.
  • the interpolation/extrapolation operation refers to an operation of estimating channel values related to turned-off reflective surfaces based on channel values related to turned-on reflective surfaces.
  • interpolation/extrapolation operations may be performed using a deep learning model.
  • a deep learning model can be trained with location selection of reflective surfaces turned off in the RIS.
  • an auto-encoder in which the output of the encoder is expressed in on-off form can be used.
  • the encoder of the auto-encoder selects the positions of the off reflective surfaces in the RIS, and the decoder performs interpolation to estimate the signals that should be received through the off reflective surfaces based on the received signals. /Perform extrapolation operation.
  • a deep learning model other than an auto-encoder may be used for interpolation/extrapolation operations.
  • another deep learning model may include a deep neural network (DNN) that expresses the results of learning in the on-off form of expressions included in RIS.
  • DNN deep neural network
  • the interpolation/extrapolation operation may be performed by a predefined algorithm without the use of a deep learning model.
  • training of a deep learning model that selects reflective surfaces that are turned off and interpolates/extrapolates signals that are not received may be performed through offline learning.
  • the positions of the turned-off reflective surfaces of the RIS may be determined according to the number M off of the turned-off reflective surfaces based on previously learned information, the channel environment, or the configuration of the RIS. Determination of the positions of reflective surfaces that are turned off may be performed by the RIS 2030, the base station 2010, or a separate controller. If the positions of the reflective surfaces that are turned off are determined by an entity other than the RIS (2030), the positions of the reflective surfaces that are turned off are transmitted to the RIS (2030). Additionally, the positions of reflective surfaces that are turned off may also be transmitted to the UE (2020).
  • the RIS (2030) which has confirmed the number and location of the off reflective surfaces, uses only the remaining M reflective surfaces excluding the M off reflective surfaces at the confirmed positions among the M total reflective surfaces, and uses the standard transmitted from the base station (2010). reflects signals.
  • the base station 2010 transmits reference signals in consideration of the M reflective surfaces used for reflection in the RIS 2030. For example, considering the DFT-based reference signal transmission technique as shown in FIG. 20, the base station 2010 transmits one column in the K-DFT matrix used to transmit reference signals during M transmission opportunities. Maintaining, during M transmission opportunities, RIS 2030 reflects the signal using the M-DFT matrix as a reflecting weight. The above-described operation can be repeated as many times as the number of columns included in the K-DFT matrix. Therefore, a total of K ⁇ M transmission opportunities are required.
  • the UE (2020) After checking the number M off and the location of the reflective surfaces that are turned off, the UE (2020) turns off the reflective surfaces using information learned in advance based on the channel environment and the configuration of the RIS (2030), thereby preventing reception. signals can be estimated/predicted.
  • the signal that is not received refers to a signal that is expected to be received by being reflected by the off reflective surface when it is turned on.
  • the channel of the BS-RIS-UE path can be estimated using the restored signal as described above.
  • the operations for selecting a reflective surface that is turned off and interpolating/extrapolating the received value corresponding to the signal that was not received are as follows.
  • a case in which the proposed method is applied to the DFT matrix-based reference signal transmission technique is exemplified. Because the reflective surfaces of the RIS 2030 have a spatial correlation with each other, it is possible to obtain information about a specific reflective surface from information about adjacent reflective surfaces. For convenience of description below, the present disclosure considers a ULA array antenna.
  • the channel from the base station 2010 to the RIS 2030 can be expressed as [Equation 1] below.
  • H RIS_BS is the channel between RIS and the base station
  • a IRS,0 is the AoA (angle of arrival) vector from the base station to RIS
  • ⁇ BS,IRS is a channel in the form of a diagonal matrix for the path from the base station to RIS.
  • the coefficient matrix, A BS refers to the angle of departure (AoD) vector from the base station to the RIS.
  • a IRS,0 is , Is
  • a BS is , Is It can be expressed as
  • the lth diagonal element of ⁇ BS,IRS can be expressed as ⁇ BS,IRS,l , and means the channel coefficient of the lth path between the base station and RIS.
  • the channel from RIS (2030) to UE (2020) can be expressed as [Equation 2] below.
  • H UE_RIS is the channel between RIS and UE
  • a UE is the AoA vector from RIS to UE
  • ⁇ IRS,UE is the channel coefficient matrix in the form of a diagonal matrix for the path from RIS to UE
  • a IRS,1 means the AoD vector from RIS to UE.
  • a IRS,1 is , Is
  • a UE is , Is It can be expressed as
  • the lth diagonal element of ⁇ IRS,UE can be expressed as ⁇ IRS,UE,l , meaning the channel coefficient of the lth path between RIS and UE.
  • the k The channel of the path from the th antenna to the nth antenna of the UE (2020) can be expressed as [Equation 3] below.
  • h k,n,m,t is the channel value of the path from the kth antenna of the base station through the mth reflective surface of the RIS to the nth antenna of the UE at the tth transmission time
  • ⁇ m ,t is the weight for the mth reflective surface of the RIS at the tth transmission time
  • h k,n,m is the channel of the path from the kth antenna of the base station through the mth reflective surface of the RIS to the nth antenna of the UE. It means value.
  • h k,n,m are It can be expressed as ⁇ m,t is an element of the m-th row and t-th column of the M-DFT matrix used during the reference signal transmission time in the RIS (2030).
  • H k,n is a channel model considering the reflective surface
  • h k,n is the channel value between the kth antenna of the base station and the nth antenna of the UE
  • ⁇ is the DFT matrix used in RIS. .
  • h k,n can be calculated by removing ⁇ from H k ,n .
  • h k,n can be calculated as in [Equation 5] below.
  • h k,n is the channel value between the kth antenna of the base station and the nth antenna of the UE
  • H k,n is the channel model considering the reflective surface
  • ⁇ means the DFT matrix used in RIS. .
  • h k,n contains the channel coefficients for all reflective surfaces of the RIS. Therefore, if the reflecting weight of the RIS (2030) is designed to distinguish the reflecting surface of the RIS (2030) like a DFT matrix, the UE (2020) can The channel coefficient for the mth reflective surface of the RIS (2030) can be obtained.
  • this disclosure describes the operation of selecting at least one reflective surface to turn off using h k,n containing the channel coefficients for all reflective surfaces.
  • Figure 21 shows an example of an artificial intelligence model for determining off patterns for reflective surfaces according to an embodiment of the present disclosure.
  • Figure 21 shows the concept of a procedure for selecting at least one reflective surface to be turned off, performing interpolation and extrapolation operations, and then performing channel estimation.
  • h k,n contains the channel coefficients for all reflective surfaces. That is, h k,n in FIG. 21 can be understood as channel information when M is M total .
  • the encoder 2120 of the auto-encoder generates a sparse vector z k ,n corresponding to h k ,n .
  • z k,n is a vector consisting of 1 and 0, and the reflective surface corresponding to the element with the value of 1 is set to the on state, and the reflective surface corresponding to the element with the value of 0 is set to the off state.
  • h s ,k,n which is the Hadamard product result of z k,n and h k,n , is sent to the decoder 2120 of the auto-encoder. It is given as input.
  • the element(s) in the same position as the element(s) at the 0 value of z k, n are set to the 0 value, and the element(s) at the remaining positions are at the same position in h k,n. It has the same value as the element(s) of .
  • the decoder 2120 can restore h k ,n from h s,k, n.
  • the restored result h est,k,n can be determined to have the smallest difference from the correct answer h k, n, such as MSE (mean square error) or the size of the error when compared to h k,n .
  • h k,n refers to the channel between the kth antenna of the base station and the nth antenna of the UE. Therefore, in order to determine channels for all antennas of the base station and UE, it is necessary to expand the concept explained with reference to FIG. 21. For example, considering all z k,n obtained for all combinations of (k, n), the final z considering all antennas of the base station and all antennas of the UE may be determined. The operation described with reference to FIG. 21 is an example, and other methods may be used.
  • channel coefficients generated as input to an artificial intelligence model may be channel coefficients representing a specific channel profile or multiple channel profiles.
  • data related to channels measured in an actual channel environment corresponding to multiple channel profiles can be used as input to an artificial intelligence model.
  • the positions of the reflective surfaces to be turned off will be determined by the spatial correlation characteristics of the channel and the settings of the RIS (e.g., size of the RIS, spacing between surfaces, shape of the RIS, etc.).
  • the positions of the reflective surfaces to be turned off and the decoder for interpolation/extrapolation operations will be determined. You can.
  • Figure 22 shows an example of a procedure for controlling channel measurement according to an embodiment of the present disclosure.
  • Figure 22 illustrates a method of operating a base station.
  • the base station transmits configuration information related to channel measurement.
  • Setting information may include information related to reference signals transmitted for channel measurement.
  • configuration information may include information indicating resources transmitted for reference signals, information related to feedback of measurement results, and information related to the sequence of reference signals.
  • the setting information may further include information related to the off pattern of the reflective surfaces of the RIS (eg, the number and location of the reflective surfaces that are turned off).
  • the off pattern may be one of a pattern defined to identify the channel environment, a pattern corresponding to the identified channel environment, a pattern for measuring the degree of time variation of the channel, and a pattern for using all reflective surfaces.
  • step S2203 the base station transmits downlink reference signals.
  • Downlink reference signals are transmitted according to the configuration information transmitted in step S2201.
  • downlink reference signals may be transmitted during a number of transmission opportunities determined based on the number of plural antenna elements of the base station and the number of reflective surfaces turned on at the RIS.
  • the base station may repeatedly transmit each of the downlink reference signals composed of a first number of orthogonal or quasi-orthogonal sequences at a second number of transmission opportunities.
  • the first number may be the number of antenna elements of the base station (e.g., K in FIG. 20)
  • the second number may be the number of reflective surfaces turned on in the RIS (e.g., M in FIG. 20).
  • the base station receives measurement information about the channel. That is, the base station can receive measurement results for the downlink reference signals transmitted in step S2205 from the UE.
  • the measurement information includes at least one of channel coefficients corresponding to combinations of antenna elements and reflective surfaces, information indicating the quality of the channel, information indicating the channel environment, and information indicating the degree of time variation of the channel. It can be included.
  • the measurement information includes channel coefficients corresponding to the turned reflective surfaces as well as at least one corresponding to the at least one turned off reflective surface. It may include channel coefficients.
  • the base station transmits downlink data based on measurement information.
  • the base station may determine precoder or transmission beamforming weights based on the received measurement information and apply the precoder or transmission beamforming weights to downlink signals generated based on downlink data. Additionally, the base station may determine reflection weights of reflective surfaces of the RIS based on the received measurement information, and transmit information indicating the determined reflection weights to the RIS before transmitting downlink data.
  • this step may be omitted depending on the operation mode.
  • the procedure described with reference to FIG. 22 can be understood as one of various operating modes.
  • the operation modes are defined for effective channel measurement and can be classified according to at least one of the setting state of the RIS (e.g., off pattern), operation and/or feedback information required for the UE, and whether or not data is transmitted.
  • the setting state of the RIS e.g., off pattern
  • different operating modes can be operated sequentially according to a certain order.
  • the procedure described with reference to FIG. 22 may be repeatedly performed in different modes. Specific examples of operation of the operation modes will be described below with reference to FIGS. 26A to 27B.
  • Figure 23 shows an example of a procedure for obtaining RIS-related channel information according to an embodiment of the present disclosure.
  • Figure 23 illustrates a method of operating a base station.
  • the base station determines the channel environment based on measurement information.
  • the base station may set the reflective surfaces of the RIS to a predefined off pattern, transmit downlink reference signals, and then receive feedback information from the UE. That is, the base station can perform the procedure of FIG. 22 in a mode for determining the channel environment.
  • the base station determines and controls the off pattern for the reflective surfaces based on the channel environment.
  • a plurality of channel environments may be considered, and an off pattern corresponding to each of the plurality of channel environments may be defined in advance.
  • the base station may check the off pattern corresponding to the determined channel environment and control the RIS to turn off at least one reflective surface in the number and location indicated by the confirmed off pattern.
  • the base station may transmit to the RIS information indicating the determined off pattern (e.g., off pattern index, channel environment index, etc.) or information indicating the number and position of at least one reflective surface that is turned off according to the determined off pattern. You can.
  • the base station transmits reference signals corresponding to the off pattern.
  • the base station may transmit reference signals based on the number of reflective surfaces that are turned on in addition to at least one reflective surface that is turned off according to the off pattern.
  • the base station may determine the number of transmission opportunities based on the number of reflective surfaces that are turned on, set resources based on the determined number of transmission opportunities, and then transmit reference signals through the set resources.
  • the base station may transmit setting information about the reference signals.
  • configuration information may be included in information transmitted to control the RIS in step S2303.
  • the base station receives measurement information on channels related to RIS. That is, the base station can receive measurement information generated based on the reference signals transmitted in step S2305 from the UE.
  • the measurement information is at least one of information indicating channel coefficients corresponding to combinations of antenna elements of the base station, reflective surfaces, and antenna elements of the UE, information indicating the quality of the channel, and information indicating the rank. may include.
  • the information indicating channel coefficients may indicate channel coefficients related to all available reflective surfaces of the RIS.
  • control for measurement and transmission of reference signals are all performed by the base station.
  • control for measurement may be performed by a device other than the base station transmitting the reference signal.
  • the other device may be another base station or a core network node that is not a base station.
  • another device can determine the contents of the configuration information and control the reflective surfaces of the RIS.
  • part of the procedure described with reference to FIGS. 22 and 23 can be understood as an operation in which the base station receives corresponding information from another device.
  • Figure 24 shows an example of a procedure for receiving downlink data according to an embodiment of the present disclosure.
  • Figure 24 illustrates a method of operation of a UE.
  • setting information may include information related to reference signals transmitted for channel measurement.
  • configuration information may include information indicating resources transmitted for reference signals, information related to feedback of measurement results, and information related to the sequence of reference signals.
  • information related to feedback may indicate an item for which feedback is required, and the required item may vary depending on the operation mode. Accordingly, instead of or in addition to information related to feedback, information indicating an operation mode may be included in the setting information.
  • the setting information may include information on the number and location of reflective surfaces that are turned off among the reflective surfaces included in the RIS, that is, information on the off pattern.
  • the off pattern may be determined by the base station or a separate controller.
  • the UE receives downlink reference signals.
  • the UE may receive downlink reference signals based on the configuration information received in step S2201.
  • downlink reference signals may be received during a number of transmission opportunities determined based on the number of antenna elements at the base station and the number of reflective surfaces turned on at the RIS.
  • the UE may repeatedly receive each of the downlink reference signals composed of a first number of orthogonal or quasi-orthogonal sequences at a second number of transmission opportunities.
  • the first number may be the number of antenna elements of the base station (e.g., K in FIG. 20)
  • the second number may be the number of reflective surfaces turned on in the RIS (e.g., M in FIG. 20).
  • measurement information may include information indicating channel coefficients corresponding to combinations of antenna elements and reflective surfaces, information indicating the quality of the channel, information indicating the channel environment, and information indicating the degree of time variation of the channel. It can contain at least one.
  • the measurement information includes channel coefficients corresponding to the turned-on reflective surfaces as well as at least one turned-off reflective surface. It may include at least one channel coefficient corresponding to a reflective surface.
  • the UE can distinguish the contribution of the antenna elements of the base station and the reflective surfaces of the RIS from the received values ⁇ u200b ⁇ u200bof the reference signals. there is.
  • the UE transmits measurement information.
  • the UE may transmit measurement information according to a method indicated by configuration information related to channel measurement.
  • the UE can transmit measurement information in the format indicated by the configuration information through the resource indicated by the configuration information.
  • step S2407 the UE receives downlink data.
  • Downlink signals generated from downlink data are received after applying precoder or transmission beamforming weights determined based on measurement information. Additionally, the UE may perform postcoding or reception beamforming on received downlink signals. However, according to another embodiment, this step may be omitted depending on the operation mode.
  • the procedure described with reference to FIG. 24 can be understood as one of various operating modes.
  • the operation modes are defined for effective channel measurement and can be classified according to at least one of the setting state of the RIS (e.g., off pattern), operation and/or feedback information required for the UE, and whether or not data is transmitted.
  • the setting state of the RIS e.g., off pattern
  • different operating modes can be operated sequentially according to a certain order.
  • the procedure described with reference to FIG. 24 may be repeatedly performed in different modes. Specific examples of operation of the operation modes will be described below with reference to FIGS. 26A to 27B.
  • Figure 25 shows an example of a procedure for measuring a RIS-related channel according to an embodiment of the present disclosure.
  • Figure 25 illustrates a method of operation of a UE.
  • the UE estimates channel values related to turned-on reflective surfaces based on received reference signals.
  • the UE may estimate channel values based on the sequence constituting the reference signals and the received values of the reference signals. Accordingly, the UE can obtain some of the channel information for all available reflective surfaces.
  • the UE determines an artificial intelligence model for predicting the channel value for at least one reflective surface that is turned off.
  • the UE determines an artificial intelligence model to predict the remainder from part of the channel.
  • An artificial intelligence model may be selected from among a plurality of trained candidate artificial intelligence models based on the channel environment and off pattern.
  • the artificial intelligence model may be selected by the UE or selected and then indicated by the base station. According to one embodiment, an autoencoder-based artificial intelligence model may be used.
  • the UE predicts a channel value related to at least one turned off reflective surface from channel values related to the turned on reflective surfaces using an artificial intelligence model.
  • the UE inputs channel values related to the turned-on reflective surfaces and the number and location of the at least one turned off reflective surface into the artificial intelligence model and checks the output, thereby predicting the channel value related to the at least one turned off reflective surface.
  • the UE can predict the channel value related to at least one reflective surface that is turned off using the decoder of the autoencoder. Accordingly, the UE can obtain channel information for all available reflective surfaces.
  • the channel value associated with at least one reflective surface that is turned off is predicted by the UE. That is, the UE uses an artificial intelligence model to predict the channel value related to at least one turned off reflective surface from the channel values related to the turned on reflective surface.
  • the channel value associated with at least one reflective surface that is turned off may be predicted by the base station. Specifically, the UE measures and feeds back channel values related to the turned-on reflective surfaces, and the base station can predict the channel value related to at least one turned off reflective surface from the fed back channel values. In this case, among the control information transmitted from the base station to the UE, at least one of information about the artificial intelligence model and information about the off pattern may be omitted.
  • this disclosure describes two example procedures combining operating modes.
  • a procedure for measuring a channel environment and measuring a channel related to the RIS with some reflective surfaces selected based on the measured channel environment turned off is described with reference to FIGS. 26A and 26B.
  • FIGS. 27A and 27B a procedure considering the time variance of the channel is explained. It is obvious that, in addition to the two exemplary procedures described below, various procedures listing operating modes in different combinations are possible.
  • Figures 26a and 26b show an example of a measurement procedure for a BS-RIS-UE channel according to an embodiment of the present disclosure.
  • Figures 26a and 26b illustrate a flowchart of the procedure and signal transmission when the proposed technology is applied with a specific UE as the target.
  • Figures 26a and 26b illustrate a case where there is a separate controller 2600 different from the base station 2610 that transmits the reference signal.
  • the controller 2600 can control the base station 2610, RIS 2630, and UE 2620 using the learned artificial intelligence model and perform procedures described later.
  • the controller 2600 may be a base station or a network node included in the core network.
  • channel measurement mode #1 is performed. Since there is no information about the UE's channel environment initially, there are limitations in determining the number and location of reflective surfaces to be turned off. Accordingly, in order to obtain channel measurement results to determine the number and location of reflective surfaces to be turned off, RIS 2630 operates the reflective surfaces according to channel measurement mode #1.
  • the controller 2600 determines the number M measure of reflective surfaces to be turned off during channel measurement mode #1, and sends information indicating the determined number of reflective surfaces to be turned off to the base station ( 2610), RIS (2630), and UE (2620). Additionally, the controller 2600 transmits information indicating the positions of reflective surfaces to be turned off to the RIS 2630 and the UE 2620.
  • the positions of reflective surfaces to be turned off during channel measurement mode #1 may have a predetermined pattern regardless of the state of the channel.
  • the base station 2610 transmits reference signals.
  • the reference signals may be reflected by at least one reflective surface of RIS 2630 and then received by UE 2620. That is, the reference signals pass through the BS-RIS-UE channel.
  • M measure is M total
  • RIS 2630 will reflect reference signals with all reflecting surfaces turned on.
  • the RIS (2630) reflects the reference signals using some partially continuous reflective surfaces or reflective surfaces arranged in a predetermined shape among all reflective surfaces. can do.
  • step S2609 the UE 2620 estimates the BS-RIS-UE channel and generates channel measurement information.
  • the UE 2620 performs channel estimation using signals reflected from the RIS 2630, and then obtains channel measurement information necessary to apply the method according to an embodiment.
  • step S2611 the UE (2620) feeds back the channel measurement results to the controller (2600). Through this, the controller 2600 can determine the channel environment of the UE 2620.
  • step S2613 the controller 2600 uses the channel measurement results fed back from the UE 2620 to determine the number M off of reflective surfaces to be turned off suitable for the channel state and required performance, and interpolates the positions of the reflective surfaces to be turned off. /Determine the learning class of the extrapolation.
  • the learning class refers to the channel environment considered during learning, and as many learning classes as the number of supportable channel environments can be defined.
  • steps S2615, S2617, and S2619 the controller 2600 transmits information indicating the number of reflective surfaces to be turned off to the base station 2610, RIS 2630, and UE 2620.
  • the controller 2600 transmits information indicating the positions of reflective surfaces to be turned off to the RIS 2630 and the UE 2620. Additionally, the controller 2600 transmits information indicating a learning class for interpolation/extrapolation to the UE 2620. Based on information indicating the learning class, the UE 2620 can select an artificial intelligence model suitable for the channel environment. Since the base station 2610 must transmit reference signals considering the number of reflective surfaces that are turned off, M off information may be required. In order to set the state of each of the reflective surfaces, the RIS 2630 may require the number M off of the reflective surfaces that are turned off and the location information of the reflective surfaces that are turned off.
  • the UE 2620 may require the number M off of the reflective surfaces that are turned off, location information of the reflective surfaces that are turned off, and learning class information of the artificial intelligence model to be used for interpolation/extrapolation.
  • learning class information of the artificial intelligence model to be used for interpolation/extrapolation may be transmitted to the base station 2610 or RIS 2630, or location information of a reflective surface that is turned off may be transmitted to the base station 2610. .
  • the above-described steps S2613 to S2619 may be referred to as 'procedure for RIS off reflecting surface selection'.
  • the base station 2610 transmits reference signals.
  • the reference signals may be reflected by the remaining reflective surfaces excluding the turned-off reflective surfaces of the RIS 2630 and then received by the UE 2620. That is, the reference signals pass through the BS-RIS-UE channel.
  • step S2623 the UE 2620 estimates the BS-RIS-UE channel by performing an interpolation/extrapolation operation.
  • the UE 2620 estimates signals of turned-off reflective surfaces using the received reference signals and then performs channel estimation using the estimated results.
  • the UE 2620 first estimates channel values related to turned-on reflective surfaces, predicts/infers channel values related to turned-off reflective surfaces from the estimated channel values, and then predicts/infers the estimated channel values and predicts/infers them. By combining the channel values, the channel for all reflective surfaces can be determined.
  • Steps S2621 and S2623 may be referred to as 'procedure for RS transmission and channel estimation with switched-off RIS reflecting surface'.
  • channel measurement for one UE 2620 is illustrated.
  • the base station 2610 transmits reference signals in different time intervals. You can perform the above-mentioned procedure.
  • At least one of the reflective surfaces of the RIS that is turned off is determined based on the channel environment.
  • the time-variance of the channel may be further considered to determine which at least one reflective surface is turned off. That is, considering the measured signal to noise ratio (SNR) and the degree of time variation of the channel, the RIS may turn off certain portions of the reflective surfaces depending on the channel environment. In order to measure the measured SNR and time variation of the channel, accumulated measurements rather than one-time measurements may be required. However, measuring the SNR and time-varying degree of the channel from transmitted reference signals to estimate all channel coefficients considering all antennas of the base station and all reflective surfaces of the RIS may result in a large overhead.
  • SNR signal to noise ratio
  • the UE can measure the SNR and time variation based on reference signals received with the beamforming weight of the base station selected for data transmission and the weight of the RIS applied. Afterwards, when certain portions of the reflective surfaces of the RIS are turned off based on the measured SNR and the time-varying degree of the channel, the channel is estimated using all reflective surfaces of the RIS in the initial stage, and the transmit beamforming weight of the base station and the weight of the RIS are can be calculated. Then, the base station transmits data and reference signals using the calculated beamforming weights of the base station and the reflection weights of the RIS.
  • SNR and signal quality changes e.g., channel It may be considered to measure the degree of time variation
  • the UE measures the time variation of the SNR and channel using the received reference signals. Using the SNR and time-varying information and the procedure described with reference to FIGS. 26A and 26B, it is possible to select which of the reflective surfaces of the RIS to turn off.
  • Figures 27a and 27b show an example of a channel measurement procedure considering time-variance characteristics of the channel according to an embodiment of the present disclosure.
  • Figures 27a and 27b illustrate the procedure and signal flow of turning off specific portions of the reflective surface of the RIS depending on the channel environment while collecting SNR and time-varying information.
  • Figures 27a and 27b illustrate a case where there is a separate controller 2600 different from the base station 2610 that transmits the reference signal.
  • channel measurement mode #3 is in progress.
  • the base station 2710 transmits reference signals without turning off the reflective surfaces of the RIS 2730.
  • RIS 2730 uses all reflective surfaces to reflect reference signals transmitted from the base station.
  • the UE 2720 estimates the channel and generates a channel measurement result. That is, the UE 2720 can estimate the channel using the received reference signals.
  • the UE (2720) uses the reference signals received in channel measurement mode #3, the UE (2720) performs channel measurement to select reflective surfaces to be turned off among the reflective surfaces of the RIS (2730), and sends the channel measurement results to the controller. Feedback to (2700).
  • Steps S2621 and S2623 may be referred to as 'procedure for RS transmission and channel estimation with no switched-off RIS reflecting surface'.
  • step S2705 the UE 2720 transmits the channel measurement result to the controller 2700.
  • step S2707 the beamforming weight of the base station 2710 and the reflection weight of the RIS 2730 are updated based on the estimated channel.
  • the beamforming weight and reflection weight may be updated by the controller 2700.
  • the beamforming weight and reflection weight may be updated by the base station 1710.
  • the controller 2700 transmits the channel measurement results fed back from the UE 2720 to the base station 1710, and the base station 1710 can update the beamforming weight and reflection weight.
  • Steps S2701 to S2707 may be referred to as 'procedure for channel estimation, BS beamforming weight and RIS reflecting weight update and channel measurement'.
  • step S2709 the base station 2710 transmits data and reference signals.
  • the base station 2710 may transmit data and reference signals using the updated beamforming weight of the base station 2710 and the reflection weight of the RIS 2730 through the BS-RIS-UE channel.
  • step S2711 the UE 2720 measures the time variation of the SNR and channel using the received reference signals.
  • steps S2713 and S2715 the base station 2710 repeatedly transmits data and reference signals using the updated beamforming weight of the base station 2710 and the reflection weight of the RIS 2730, and the UE 2720 receives Measure the SNR and time variation of the channel using the reference signals.
  • steps S2713 and S2715 may be omitted or may be performed for another UE.
  • the UE 2720 feeds back information about the measured SNR and the degree of time variation of the channel to the controller 2700.
  • Steps S2709 to S2717 may be referred to as 'procedure for data and RS transmission using updated BS beamforming weight and updated RIS reflecting weight'. there is.
  • channel measurement mode #3 and channel measurement mode #4 may be additionally performed in steps S2719 and S2721. Additionally, if necessary, a channel measurement procedure according to channel measurement mode #1 of FIGS. 26A and 26B may be additionally performed in step S2723. And, in step S2725, similar to the operation of selecting the off reflective surface of the RIS described with reference to FIGS. 26A and 26B, according to channel measurement mode #2, the controller 2700 selects the information collected during channel measurement mode #4. Using the channel measurement results, SNR, and information on the time variation of the channel, the RIS 2730 determines the number and location of reflective surfaces to be turned off and the learning class for interpolation/extrapolation, and sends information indicating the determined result to the base station and RIS. , can be transmitted to the UE.
  • a base station can simultaneously transmit reference signals to a plurality of antennas by transmitting reference signals corresponding to a plurality of antennas through different frequency resources. Additionally, the base station may transmit reference signals for different UEs at different frequency resources or symbol transmission times.
  • OFDM orthogonal frequency division multiplexing
  • each model of CDL (clustered delay line)-A, CDL-B, CDL-C, and CDL-D Learning may be performed individually, or learning considering all of CDL-A, CDL-B, CDL-C, and CDL-D may be performed.
  • the results of learning may be applied depending on the channel situation of a specific UE, but may also be applied depending on the channel situation of a specific area or cell.
  • the proposed technology may be applied to target a specific UE, but the proposed technology may also be applied to UEs included in multiple specific areas and cells.
  • 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.
  • a rule may be defined so that the base station informs the terminal of the application of the proposed methods (or information about the rules of the proposed methods) through 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.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 개시는 무선 통신 시스템에서 채널을 추정하기 위한 것으로, UE(user equipment)의 동작 방법은, 기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하는 단계, 상기 채널 측정을 위한 기준 신호들을 수신하는 단계, 상기 기준 신호들을 이용하여 채널 정보를 생성하는 단계, 및 상기 채널 정보를 상기 기지국에게 송신하는 단계를 포함할 수 있다. 상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며, 상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함할 수 있다.

Description

무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법에 관한 것이다.
무선 접속 시스템이 음성이나 데이터 등과 같은 다양한 종류의 통신 서비스를 제공하기 위해 광범위하게 전개되고 있다. 일반적으로 무선 접속 시스템은 가용한 시스템 자원(대역폭, 전송 파워 등)을 공유하여 다중 사용자와의 통신을 지원할 수 있는 다중 접속(multiple access) 시스템이다. 다중 접속 시스템의 예들로는 CDMA(code division multiple access) 시스템, FDMA(frequency division multiple access) 시스템, TDMA(time division multiple access) 시스템, OFDMA(orthogonal frequency division multiple access) 시스템, SC-FDMA(single carrier frequency division multiple access) 시스템 등이 있다.
특히, 많은 통신 기기들이 큰 통신 용량을 요구하게 됨에 따라 기존 RAT(radio access technology)에 비해 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB) 통신 기술이 제안되고 있다. 또한 다수의 기기 및 사물들을 연결하여 언제 어디서나 다양한 서비스를 제공하는 mMTC(massive machine type communications) 뿐만 아니라 신뢰성 (reliability) 및 지연(latency) 민감한 서비스/UE(user equipment)를 고려한 통신 시스템이 제안되고 있다. 이를 위한 다양한 기술 구성들이 제안되고 있다.
본 개시는 무선 통신 시스템에서 채널을 보다 효과적으로 추정하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 RIS(reflecting intelligent surface)에 관련된 채널을 추정하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 채널 측정을 위한 기준 신호 전송의 오버헤드를 줄이기 위한 장치 및 방법을 제공할 수 있다
본 개시는 무선 통신 시스템에서 RIS의 반사 표면들 중 일부를 이용하여 전체 반사 표면들에 관련된 채널을 추정하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 채널 환경에 기반하여 채널 측정을 위한 기준 신호들을 제어하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 채널 환경에 기반하여 채널 측정을 위한 기준 신호들을 반사하는 반사 표면들의 패턴을 제어하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 RIS의 반사 표면들 중 일부를 이용한 채널 측정을 지원하기 위한 제어 시그널링을 수행하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 채널 측정을 위해 사용되는 반사 표면들에 관련된 정보를 시그널링하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 채널의 시변(time-variance) 정도에 기반하여 채널 측정을 위한 기준 신호들을 제어하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 데이터 전송 중 채널의 시변 정도를 측정하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 인공지능 모델을 이용하여 채널을 추정하기 위한 장치 및 방법을 제공할 수 있다.
본 개시는 무선 통신 시스템에서 채널 측정을 위해 사용되는 인공지능 모델에 관련된 정보를 시그널링하기 위한 장치 및 방법을 제공할 수 있다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시 예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 UE(user equipment)의 동작 방법은, 기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하는 단계, 상기 채널 측정을 위한 기준 신호들을 수신하는 단계, 상기 기준 신호들을 이용하여 채널 정보를 생성하는 단계, 및 상기 채널 정보를 상기 기지국에게 송신하는 단계를 포함할 수 있다. 상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며, 상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국의 동작 방법은, UE(user equipment)에게 채널 측정에 관련된 설정(configuration) 정보를 송신하는 단계, 상기 채널 측정을 위한 기준 신호들을 송신하는 단계, 상기 기준 신호들을 이용하여 생성된 채널 정보를 수신하는 단계를 포함할 수 있다. 상기 기준 신호들은, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며, 상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 UE(user equipment)는, 송수신기, 및 상기 송수신기와 연결된 프로세서를 포함하며, 상기 프로세서는, 기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하고, 상기 채널 측정을 위한 기준 신호들을 수신하고, 상기 기준 신호들을 이용하여 채널 정보를 생성하고, 상기 채널 정보를 상기 기지국에게 송신하도록 제어하며, 상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며, 상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국은, 송수신기, 및 상기 송수신기와 연결된 프로세서를 포함하며, 상기 프로세서는, UE(user equipment)에게 채널 측정에 관련된 설정(configuration) 정보를 송신하고, 상기 채널 측정을 위한 기준 신호들을 송신하고, 상기 기준 신호들을 이용하여 생성된 채널 정보를 수신하도록 제어하며, 상기 기준 신호들은, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며, 상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함할 수 있다.
본 개시의 일 예로서, 통신 장치는, 적어도 하나의 프로세서, 상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며, 상기 동작들은, 기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하는 단계, 상기 채널 측정을 위한 기준 신호들을 수신하는 단계, 상기 기준 신호들을 이용하여 채널 정보를 생성하는 단계, 및 상기 채널 정보를 상기 기지국에게 송신하는 단계를 포함할 수 있다. 상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 통신 장치에 수신되며, 상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함할 수 있다.
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) 상기 적어도 하나의 명령어를 포함하며, 상기 적어도 하나의 명령어는, 장치가, 기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하고, 상기 채널 측정을 위한 기준 신호들을 수신하고, 상기 기준 신호들을 이용하여 채널 정보를 생성하고, 상기 채널 정보를 상기 기지국에게 송신하도록 제어하며, 상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 장치에 수신되며, 상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함할 수 있다.
상술한 본 개시의 양태들은 본 개시의 바람직한 실시 예들 중 일부에 불과하며, 본 개시의 기술적 특징들이 반영된 다양한 실시 예들이 당해 기술분야의 통상적인 지식을 가진 자에 의해 이하 상술할 본 개시의 상세한 설명을 기반으로 도출되고 이해될 수 있다.
본 개시에 기초한 실시 예들에 의해 하기와 같은 효과가 있을 수 있다.
본 개시에 따르면, 채널 추정을 위한 기준 신호 송신 오버헤드가 감소할 수 있다.
본 개시의 실시 예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 이하의 본 개시의 실시 예들에 대한 기재로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시에서 서술하는 구성을 실시함에 따른 의도하지 않은 효과들 역시 본 개시의 실시 예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
이하에 첨부되는 도면들은 본 개시에 관한 이해를 돕기 위한 것으로, 상세한 설명과 함께 본 개시에 대한 실시 예들을 제공할 수 있다. 다만, 본 개시의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 실시 예로 구성될 수 있다. 각 도면에서의 참조 번호(reference numerals)들은 구조적 구성요소(structural elements)를 의미할 수 있다.
도 1은 본 개시에 적용 가능한 통신 시스템 예를 도시한다.
도 2는 본 개시에 적용 가능한 무선 기기의 예를 도시한다.
도 3은 본 개시에 적용 가능한 무선 기기의 다른 예를 도시한다.
도 4는 본 개시에 적용 가능한 휴대 기기의 예를 도시한다.
도 5는 본 개시에 적용 가능한 차량 또는 자율 주행 차량의 예를 도시한다.
도 6은 본 개시에 적용 가능한 AI(Artificial Intelligence)의 예를 도시한다.
도 7은 본 개시에 적용 가능한 전송 신호를 처리하는 방법을 도시한다.
도 8은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 도시한다.
도 10은 본 개시에 적용 가능한 THz 통신 방법을 도시한다.
도 11은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다.
도 12는 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
도 13은 본 개시에 적용 가능한 심층 신경망을 도시한다.
도 14는 본 개시에 적용 가능한 컨볼루션 신경망을 도시한다.
도 15는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 도시한다.
도 16은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 도시한다.
도 17은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 도시한다.
도 18은 본 개시에 적용 가능한 지능형 반사 평면(reflecting intelligent surface, RIS)을 도시한다.
도 19는 본 개시의 일 실시 예에 따른 BS(base station)-RIS-UE(user equipment) 경로의 예를 도시한다.
도 20은 본 개시의 일 실시 예에 따른 기준 신호 송신의 개념을 도시한다.
도 21은 본 개시의 일 실시 예에 따른 반사 표면들에 대한 오프(off) 패턴을 결정하기 위한 인공지능 모델의 일 예를 도시한다.
도 22는 본 개시의 일 실시 예에 따른 채널 측정을 제어하는 절차의 예를 도시한다.
도 23은 본 개시의 일 실시 예에 따른 RIS 관련 채널 정보를 획득하는 절차의 예를 도시한다.
도 24는 본 개시의 일 실시 예에 따른 하향링크 데이터를 수신하는 절차의 예를 도시한다.
도 25는 본 개시의 일 실시 예에 따른 RIS 관련 채널을 측정하는 절차의 예를 도시한다.
도 26a 및 도 26b는 본 개시의 일 실시 예에 따른 BS-RIS-UE 채널에 대한 측정 절차의 예를 도시한다.
도 27a 및 도 27b는 본 개시의 일 실시 예에 따른 채널의 시변(time-variance) 특성을 고려한 채널 측정 절차의 예를 도시한다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시 예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침 될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
하기에서는 이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(e.g.(예, LTE, NR 등)을 기반으로 설명하지만 본 발명의 기술적 사상이 이에 제한되는 것은 아니다. LTE는 3GPP TS 36.xxx Release 8 이후의 기술을 의미할 수 있다. 세부적으로, 3GPP TS 36.xxx Release 10 이후의 LTE 기술은 LTE-A로 지칭되고, 3GPP TS 36.xxx Release 13 이후의 LTE 기술은 LTE-A pro로 지칭될 수 있다. 3GPP NR은 TS 38.xxx Release 15 이후의 기술을 의미할 수 있다. 3GPP 6G는 TS Release 17 및/또는 Release 18 이후의 기술을 의미할 수 있다. "xxx"는 표준 문서 세부 번호를 의미한다. LTE/NR/6G는 3GPP 시스템으로 통칭될 수 있다.
본 개시에 사용된 배경기술, 용어, 약어 등에 관해서는 본 발명 이전에 공개된 표준 문서에 기재된 사항을 참조할 수 있다. 일 예로, 36.xxx 및 38.xxx 표준 문서를 참조할 수 있다.
본 개시에 적용 가능한 통신 시스템
이로 제한되는 것은 아니지만, 본 문서에 개시된 본 개시의 다양한 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 기기들 간에 무선 통신/연결(예, 5G)을 필요로 하는 다양한 분야에 적용될 수 있다.
이하, 도면을 참조하여 보다 구체적으로 예시한다. 이하의 도면/설명에서 동일한 도면 부호는 다르게 기술하지 않는 한, 동일하거나 대응되는 하드웨어 블록, 소프트웨어 블록 또는 기능 블록을 예시할 수 있다.
도 1은 본 개시에 적용되는 통신 시스템 예시를 도시한 도면이다.
도 1을 참조하면, 본 개시에 적용되는 통신 시스템(100)은 무선 기기, 기지국 및 네트워크를 포함한다. 여기서, 무선 기기는 무선 접속 기술(예, 5G NR, LTE)을 이용하여 통신을 수행하는 기기를 의미하며, 통신/무선/5G 기기로 지칭될 수 있다. 이로 제한되는 것은 아니지만, 무선 기기는 로봇(100a), 차량(100b-1, 100b-2), XR(extended reality) 기기(100c), 휴대 기기(hand-held device)(100d), 가전(home appliance)(100e), IoT(Internet of Thing) 기기(100f), AI(artificial intelligence) 기기/서버(100g)를 포함할 수 있다. 예를 들어, 차량은 무선 통신 기능이 구비된 차량, 자율 주행 차량, 차량간 통신을 수행할 수 있는 차량 등을 포함할 수 있다. 여기서, 차량(100b-1, 100b-2)은 UAV(unmanned aerial vehicle)(예, 드론)를 포함할 수 있다. XR 기기(100c)는 AR(augmented reality)/VR(virtual reality)/MR(mixed reality) 기기를 포함하며, HMD(head-mounted device), 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등의 형태로 구현될 수 있다. 휴대 기기(100d)는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트워치, 스마트글래스), 컴퓨터(예, 노트북 등) 등을 포함할 수 있다. 가전(100e)은 TV, 냉장고, 세탁기 등을 포함할 수 있다. IoT 기기(100f)는 센서, 스마트 미터 등을 포함할 수 있다. 예를 들어, 기지국(120), 네트워크(130)는 무선 기기로도 구현될 수 있으며, 특정 무선 기기(120a)는 다른 무선 기기에게 기지국/네트워크 노드로 동작할 수도 있다.
무선 기기(100a~100f)는 기지국(120)을 통해 네트워크(130)와 연결될 수 있다. 무선 기기(100a~100f)에는 AI 기술이 적용될 수 있으며, 무선 기기(100a~100f)는 네트워크(130)를 통해 AI 서버(100g)와 연결될 수 있다. 네트워크(130)는 3G 네트워크, 4G(예, LTE) 네트워크 또는 5G(예, NR) 네트워크 등을 이용하여 구성될 수 있다. 무선 기기(100a~100f)는 기지국(120)/네트워크(130)를 통해 서로 통신할 수도 있지만, 기지국(120)/네트워크(130)를 통하지 않고 직접 통신(예, 사이드링크 통신(sidelink communication))할 수도 있다. 예를 들어, 차량들(100b-1, 100b-2)은 직접 통신(예, V2V(vehicle to vehicle)/V2X(vehicle to everything) communication)을 할 수 있다. 또한, IoT 기기(100f)(예, 센서)는 다른 IoT 기기(예, 센서) 또는 다른 무선 기기(100a~100f)와 직접 통신을 할 수 있다.
무선 기기(100a~100f)/기지국(120), 기지국(120)/기지국(120) 간에는 무선 통신/연결(150a, 150b, 150c)이 이뤄질 수 있다. 여기서, 무선 통신/연결은 상향/하향링크 통신(150a)과 사이드링크 통신(150b)(또는, D2D 통신), 기지국간 통신(150c)(예, relay, IAB(integrated access backhaul))과 같은 다양한 무선 접속 기술(예, 5G NR)을 통해 이뤄질 수 있다. 무선 통신/연결(150a, 150b, 150c)을 통해 무선 기기와 기지국/무선 기기, 기지국과 기지국은 서로 무선 신호를 송신/수신할 수 있다. 예를 들어, 무선 통신/연결(150a, 150b, 150c)은 다양한 물리 채널을 통해 신호를 송신/수신할 수 있다. 이를 위해, 본 개시의 다양한 제안들에 기반하여, 무선 신호의 송신/수신을 위한 다양한 구성정보 설정 과정, 다양한 신호 처리 과정(예, 채널 인코딩/디코딩, 변조/복조, 자원 매핑/디매핑 등), 자원 할당 과정 등 중 적어도 일부가 수행될 수 있다.
본 개시에 적용 가능한 통신 시스템
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 2를 참조하면, 제1 무선 기기(200a)와 제2 무선 기기(200b)는 다양한 무선 접속 기술(예, LTE, NR)을 통해 무선 신호를 송수신할 수 있다. 여기서, {제1 무선 기기(200a), 제2 무선 기기(200b)}은 도 1의 {무선 기기(100x), 기지국(120)} 및/또는 {무선 기기(100x), 무선 기기(100x)}에 대응할 수 있다.
제1 무선 기기(200a)는 하나 이상의 프로세서(202a) 및 하나 이상의 메모리(204a)를 포함하며, 추가적으로 하나 이상의 송수신기(206a) 및/또는 하나 이상의 안테나(208a)을 더 포함할 수 있다. 프로세서(202a)는 메모리(204a) 및/또는 송수신기(206a)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202a)는 메모리(204a) 내의 정보를 처리하여 제1 정보/신호를 생성한 뒤, 송수신기(206a)을 통해 제1 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202a)는 송수신기(206a)를 통해 제2 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제2 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204a)에 저장할 수 있다. 메모리(204a)는 프로세서(202a)와 연결될 수 있고, 프로세서(202a)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204a)는 프로세서(202a)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202a)와 메모리(204a)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206a)는 프로세서(202a)와 연결될 수 있고, 하나 이상의 안테나(208a)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206a)는 송신기 및/또는 수신기를 포함할 수 있다. 송수신기(206a)는 RF(radio frequency) 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
제2 무선 기기(200b)는 하나 이상의 프로세서(202b), 하나 이상의 메모리(204b)를 포함하며, 추가적으로 하나 이상의 송수신기(206b) 및/또는 하나 이상의 안테나(208b)를 더 포함할 수 있다. 프로세서(202b)는 메모리(204b) 및/또는 송수신기(206b)를 제어하며, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 예를 들어, 프로세서(202b)는 메모리(204b) 내의 정보를 처리하여 제3 정보/신호를 생성한 뒤, 송수신기(206b)를 통해 제3 정보/신호를 포함하는 무선 신호를 전송할 수 있다. 또한, 프로세서(202b)는 송수신기(206b)를 통해 제4 정보/신호를 포함하는 무선 신호를 수신한 뒤, 제4 정보/신호의 신호 처리로부터 얻은 정보를 메모리(204b)에 저장할 수 있다. 메모리(204b)는 프로세서(202b)와 연결될 수 있고, 프로세서(202b)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(204b)는 프로세서(202b)에 의해 제어되는 프로세스들 중 일부 또는 전부를 수행하거나, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 여기서, 프로세서(202b)와 메모리(204b)는 무선 통신 기술(예, LTE, NR)을 구현하도록 설계된 통신 모뎀/회로/칩의 일부일 수 있다. 송수신기(206b)는 프로세서(202b)와 연결될 수 있고, 하나 이상의 안테나(208b)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신기(206b)는 송신기 및/또는 수신기를 포함할 수 있다 송수신기(206b)는 RF 유닛과 혼용될 수 있다. 본 개시에서 무선 기기는 통신 모뎀/회로/칩을 의미할 수도 있다.
이하, 무선 기기(200a, 200b)의 하드웨어 요소에 대해 보다 구체적으로 설명한다. 이로 제한되는 것은 아니지만, 하나 이상의 프로토콜 계층이 하나 이상의 프로세서(202a, 202b)에 의해 구현될 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 계층(예, PHY(physical), MAC(media access control), RLC(radio link control), PDCP(packet data convergence protocol), RRC(radio resource control), SDAP(service data adaptation protocol)와 같은 기능적 계층)을 구현할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 하나 이상의 PDU(Protocol Data Unit) 및/또는 하나 이상의 SDU(service data unit)를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 메시지, 제어정보, 데이터 또는 정보를 생성할 수 있다. 하나 이상의 프로세서(202a, 202b)는 본 문서에 개시된 기능, 절차, 제안 및/또는 방법에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 포함하는 신호(예, 베이스밴드 신호)를 생성하여, 하나 이상의 송수신기(206a, 206b)에게 제공할 수 있다. 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)로부터 신호(예, 베이스밴드 신호)를 수신할 수 있고, 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들에 따라 PDU, SDU, 메시지, 제어정보, 데이터 또는 정보를 획득할 수 있다.
하나 이상의 프로세서(202a, 202b)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 하나 이상의 프로세서(202a, 202b)는 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합에 의해 구현될 수 있다. 일 예로, 하나 이상의 ASIC(application specific integrated circuit), 하나 이상의 DSP(digital signal processor), 하나 이상의 DSPD(digital signal processing device), 하나 이상의 PLD(programmable logic device) 또는 하나 이상의 FPGA(field programmable gate arrays)가 하나 이상의 프로세서(202a, 202b)에 포함될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있고, 펌웨어 또는 소프트웨어는 모듈, 절차, 기능 등을 포함하도록 구현될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 수행하도록 설정된 펌웨어 또는 소프트웨어는 하나 이상의 프로세서(202a, 202b)에 포함되거나, 하나 이상의 메모리(204a, 204b)에 저장되어 하나 이상의 프로세서(202a, 202b)에 의해 구동될 수 있다. 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다.
하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 다양한 형태의 데이터, 신호, 메시지, 정보, 프로그램, 코드, 지시 및/또는 명령을 저장할 수 있다. 하나 이상의 메모리(204a, 204b)는 ROM(read only memory), RAM(random access memory), EPROM(erasable programmable read only memory), 플래시 메모리, 하드 드라이브, 레지스터, 캐쉬 메모리, 컴퓨터 판독 저장 매체 및/또는 이들의 조합으로 구성될 수 있다. 하나 이상의 메모리(204a, 204b)는 하나 이상의 프로세서(202a, 202b)의 내부 및/또는 외부에 위치할 수 있다. 또한, 하나 이상의 메모리(204a, 204b)는 유선 또는 무선 연결과 같은 다양한 기술을 통해 하나 이상의 프로세서(202a, 202b)와 연결될 수 있다.
하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치에게 본 문서의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 다른 장치로부터 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 수신할 수 있다. 예를 들어, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 예를 들어, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 또한, 하나 이상의 프로세서(202a, 202b)는 하나 이상의 송수신기(206a, 206b)가 하나 이상의 다른 장치로부터 사용자 데이터, 제어 정보 또는 무선 신호를 수신하도록 제어할 수 있다. 또한, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)와 연결될 수 있고, 하나 이상의 송수신기(206a, 206b)는 하나 이상의 안테나(208a, 208b)를 통해 본 문서에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 송수신하도록 설정될 수 있다. 본 문서에서, 하나 이상의 안테나는 복수의 물리 안테나이거나, 복수의 논리 안테나(예, 안테나 포트)일 수 있다. 하나 이상의 송수신기(206a, 206b)는 수신된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 하나 이상의 프로세서(202a, 202b)를 이용하여 처리하기 위해, 수신된 무선 신호/채널 등을 RF 밴드 신호에서 베이스밴드 신호로 변환(Convert)할 수 있다. 하나 이상의 송수신기(206a, 206b)는 하나 이상의 프로세서(202a, 202b)를 이용하여 처리된 사용자 데이터, 제어 정보, 무선 신호/채널 등을 베이스밴드 신호에서 RF 밴드 신호로 변환할 수 있다. 이를 위하여, 하나 이상의 송수신기(206a, 206b)는 (아날로그) 오실레이터 및/또는 필터를 포함할 수 있다.
본 개시에 적용 가능한 무선 기기 구조
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 3을 참조하면, 무선 기기(300)는 도 2의 무선 기기(200a, 200b)에 대응하며, 다양한 요소(element), 성분(component), 유닛/부(unit), 및/또는 모듈(module)로 구성될 수 있다. 예를 들어, 무선 기기(300)는 통신부(310), 제어부(320), 메모리부(330) 및 추가 요소(340)를 포함할 수 있다. 통신부는 통신 회로(312) 및 송수신기(들)(314)을 포함할 수 있다. 예를 들어, 통신 회로(312)는 도 2의 하나 이상의 프로세서(202a, 202b) 및/또는 하나 이상의 메모리(204a, 204b)를 포함할 수 있다. 예를 들어, 송수신기(들)(314)는 도 2의 하나 이상의 송수신기(206a, 206b) 및/또는 하나 이상의 안테나(208a, 208b)을 포함할 수 있다. 제어부(320)는 통신부(310), 메모리부(330) 및 추가 요소(340)와 전기적으로 연결되며 무선 기기의 제반 동작을 제어한다. 예를 들어, 제어부(320)는 메모리부(330)에 저장된 프로그램/코드/명령/정보에 기반하여 무선 기기의 전기적/기계적 동작을 제어할 수 있다. 또한, 제어부(320)는 메모리부(330)에 저장된 정보를 통신부(310)을 통해 외부(예, 다른 통신 기기)로 무선/유선 인터페이스를 통해 전송하거나, 통신부(310)를 통해 외부(예, 다른 통신 기기)로부터 무선/유선 인터페이스를 통해 수신된 정보를 메모리부(330)에 저장할 수 있다.
추가 요소(340)는 무선 기기의 종류에 따라 다양하게 구성될 수 있다. 예를 들어, 추가 요소(340)는 파워 유닛/배터리, 입출력부(input/output unit), 구동부 및 컴퓨팅부 중 적어도 하나를 포함할 수 있다. 이로 제한되는 것은 아니지만, 무선 기기(300)는 로봇(도 1, 100a), 차량(도 1, 100b-1, 100b-2), XR 기기(도 1, 100c), 휴대 기기(도 1, 100d), 가전(도 1, 100e), IoT 기기(도 1, 100f), 디지털 방송용 단말, 홀로그램 장치, 공공 안전 장치, MTC 장치, 의료 장치, 핀테크 장치(또는 금융 장치), 보안 장치, 기후/환경 장치, AI 서버/기기(도 1, 140), 기지국(도 1, 120), 네트워크 노드 등의 형태로 구현될 수 있다. 무선 기기는 사용-예/서비스에 따라 이동 가능하거나 고정된 장소에서 사용될 수 있다.
도 3에서 무선 기기(300) 내의 다양한 요소, 성분, 유닛/부, 및/또는 모듈은 전체가 유선 인터페이스를 통해 상호 연결되거나, 적어도 일부가 통신부(310)를 통해 무선으로 연결될 수 있다. 예를 들어, 무선 기기(300) 내에서 제어부(320)와 통신부(310)는 유선으로 연결되며, 제어부(320)와 제1 유닛(예, 130, 140)은 통신부(310)를 통해 무선으로 연결될 수 있다. 또한, 무선 기기(300) 내의 각 요소, 성분, 유닛/부, 및/또는 모듈은 하나 이상의 요소를 더 포함할 수 있다. 예를 들어, 제어부(320)는 하나 이상의 프로세서 집합으로 구성될 수 있다. 예를 들어, 제어부(320)는 통신 제어 프로세서, 어플리케이션 프로세서(application processor), ECU(electronic control unit), 그래픽 처리 프로세서, 메모리 제어 프로세서 등의 집합으로 구성될 수 있다. 다른 예로, 메모리부(330)는 RAM, DRAM(dynamic RAM), ROM, 플래시 메모리(flash memory), 휘발성 메모리(volatile memory), 비-휘발성 메모리(non-volatile memory) 및/또는 이들의 조합으로 구성될 수 있다.
본 개시가 적용 가능한 휴대 기기
도 4는 본 개시에 적용되는 휴대 기기의 예시를 도시한 도면이다.
도 4는 본 개시에 적용되는 휴대 기기를 예시한다. 휴대 기기는 스마트폰, 스마트패드, 웨어러블 기기(예, 스마트 워치, 스마트 글래스), 휴대용 컴퓨터(예, 노트북 등)을 포함할 수 있다. 휴대 기기는 MS(mobile station), UT(user terminal), MSS(mobile subscriber station), SS(subscriber station), AMS(advanced mobile station) 또는 WT(wireless terminal)로 지칭될 수 있다.
도 4를 참조하면, 휴대 기기(400)는 안테나부(408), 통신부(410), 제어부(420), 메모리부(430), 전원공급부(440a), 인터페이스부(440b) 및 입출력부(440c)를 포함할 수 있다. 안테나부(408)는 통신부(410)의 일부로 구성될 수 있다. 블록 410~430/440a~440c는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(410)는 다른 무선 기기, 기지국들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(420)는 휴대 기기(400)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(420)는 AP(application processor)를 포함할 수 있다. 메모리부(430)는 휴대 기기(400)의 구동에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 또한, 메모리부(430)는 입/출력되는 데이터/정보 등을 저장할 수 있다. 전원공급부(440a)는 휴대 기기(400)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 인터페이스부(440b)는 휴대 기기(400)와 다른 외부 기기의 연결을 지원할 수 있다. 인터페이스부(440b)는 외부 기기와의 연결을 위한 다양한 포트(예, 오디오 입/출력 포트, 비디오 입/출력 포트)를 포함할 수 있다. 입출력부(440c)는 영상 정보/신호, 오디오 정보/신호, 데이터, 및/또는 사용자로부터 입력되는 정보를 입력 받거나 출력할 수 있다. 입출력부(440c)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부(440d), 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
일 예로, 데이터 통신의 경우, 입출력부(440c)는 사용자로부터 입력된 정보/신호(예, 터치, 문자, 음성, 이미지, 비디오)를 획득하며, 획득된 정보/신호는 메모리부(430)에 저장될 수 있다. 통신부(410)는 메모리에 저장된 정보/신호를 무선 신호로 변환하고, 변환된 무선 신호를 다른 무선 기기에게 직접 전송하거나 기지국에게 전송할 수 있다. 또한, 통신부(410)는 다른 무선 기기 또는 기지국으로부터 무선 신호를 수신한 뒤, 수신된 무선 신호를 원래의 정보/신호로 복원할 수 있다. 복원된 정보/신호는 메모리부(430)에 저장된 뒤, 입출력부(440c)를 통해 다양한 형태(예, 문자, 음성, 이미지, 비디오, 햅틱)로 출력될 수 있다.
본 개시가 적용 가능한 무선 기기 종류
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량의 예시를 도시한 도면이다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량을 예시한다. 차량 또는 자율 주행 차량은 이동형 로봇, 차량, 기차, 유/무인 비행체(aerial vehicle, AV), 선박 등으로 구현될 수 있으며, 차량의 형태로 한정되는 것은 아니다.
도 5를 참조하면, 차량 또는 자율 주행 차량(500)은 안테나부(508), 통신부(510), 제어부(520), 구동부(540a), 전원공급부(540b), 센서부(540c) 및 자율 주행부(540d)를 포함할 수 있다. 안테나부(550)는 통신부(510)의 일부로 구성될 수 있다. 블록 510/530/540a~540d는 각각 도 4의 블록 410/430/440에 대응한다.
통신부(510)는 다른 차량, 기지국(예, 기지국, 노변 기지국(road side unit) 등), 서버 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(520)는 차량 또는 자율 주행 차량(500)의 요소들을 제어하여 다양한 동작을 수행할 수 있다. 제어부(520)는 ECU(electronic control unit)를 포함할 수 있다.
도 6은 본 개시에 적용되는 AI 기기의 예시를 도시한 도면이다. 일 예로, AI 기기는 TV, 프로젝터, 스마트폰, PC, 노트북, 디지털방송용 단말기, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), 라디오, 세탁기, 냉장고, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
도 6을 참조하면, AI 기기(600)는 통신부(610), 제어부(620), 메모리부(630), 입/출력부(640a/640b), 러닝 프로세서부(640c) 및 센서부(640d)를 포함할 수 있다. 블록 610~630/640a~640d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(610)는 유무선 통신 기술을 이용하여 다른 AI 기기(예, 도 1, 100x, 120, 140)나 AI 서버(도 1, 140) 등의 외부 기기들과 유무선 신호(예, 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등)를 송수신할 수 있다. 이를 위해, 통신부(610)는 메모리부(630) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(630)로 전달할 수 있다.
제어부(620)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(600)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(620)는 AI 기기(600)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(620)는 러닝 프로세서부(640c) 또는 메모리부(630)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(600)의 구성 요소들을 제어할 수 있다. 또한, 제어부(620)는 AI 장치(600)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(630) 또는 러닝 프로세서부(640c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(630)는 AI 기기(600)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(630)는 입력부(640a)로부터 얻은 데이터, 통신부(610)로부터 얻은 데이터, 러닝 프로세서부(640c)의 출력 데이터, 및 센싱부(640)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(630)는 제어부(620)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(640a)는 AI 기기(600)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(620)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(640a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(640b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(640b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(640)는 다양한 센서들을 이용하여 AI 기기(600)의 내부 정보, AI 기기(600)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(640)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다.
러닝 프로세서부(640c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(640c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(640c)는 통신부(610)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(630)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(640c)의 출력 값은 통신부(610)를 통해 외부 기기로 전송되거나/되고, 메모리부(630)에 저장될 수 있다.
도 7은 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한 도면이다. 일 예로, 전송 신호는 신호 처리 회로에 의해 처리될 수 있다. 이때, 신호 처리 회로(700)는 스크램블러(710), 변조기(720), 레이어 매퍼(730), 프리코더(740), 자원 매퍼(750), 신호 생성기(760)를 포함할 수 있다. 이때, 일 예로, 도 7의 동작/기능은 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 수행될 수 있다. 또한, 일 예로, 도 7의 하드웨어 요소는 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 구현될 수 있다. 일 예로, 블록 710~760은 도 2의 프로세서(202a, 202b)에서 구현될 수 있다. 또한, 블록 710~750은 도 2의 프로세서(202a, 202b)에서 구현되고, 블록 760은 도 2의 송수신기(206a, 206b)에서 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
코드워드는 도 7의 신호 처리 회로(700)를 거쳐 무선 신호로 변환될 수 있다. 여기서, 코드워드는 정보블록의 부호화된 비트 시퀀스이다. 정보블록은 전송블록(예, UL-SCH 전송블록, DL-SCH 전송블록)을 포함할 수 있다. 무선 신호는 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다. 구체적으로, 코드워드는 스크램블러(710)에 의해 스크램블된 비트 시퀀스로 변환될 수 있다. 스크램블에 사용되는 스크램블 시퀀스는 초기화 값에 기반하여 생성되며, 초기화 값은 무선 기기의 ID 정보 등이 포함될 수 있다. 스크램블된 비트 시퀀스는 변조기(720)에 의해 변조 심볼 시퀀스로 변조될 수 있다. 변조 방식은 pi/2-BPSK(pi/2-binary phase shift keying), m-PSK(m-phase shift keying), m-QAM(m-quadrature amplitude modulation) 등을 포함할 수 있다.
복소 변조 심볼 시퀀스는 레이어 매퍼(730)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(740)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(740)의 출력 z는 레이어 매퍼(730)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(740)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(740)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(750)는 각 안테나 포트의 변조 심볼들을 시간-주파수 자원에 매핑할 수 있다. 시간-주파수 자원은 시간 도메인에서 복수의 심볼(예, CP-OFDMA 심볼, DFT-s-OFDMA 심볼)을 포함하고, 주파수 도메인에서 복수의 부반송파를 포함할 수 있다. 신호 생성기(760)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(760)는 IFFT(inverse fast fourier transform) 모듈 및 CP(cyclic prefix) 삽입기, DAC(digital-to-analog converter), 주파수 상향 변환기(frequency uplink converter) 등을 포함할 수 있다.
무선 기기에서 수신 신호를 위한 신호 처리 과정은 도 7의 신호 처리 과정(710~760)의 역으로 구성될 수 있다. 일 예로, 무선 기기(예, 도 2의 200a, 200b)는 안테나 포트/송수신기를 통해 외부로부터 무선 신호를 수신할 수 있다. 수신된 무선 신호는 신호 복원기를 통해 베이스밴드 신호로 변환될 수 있다. 이를 위해, 신호 복원기는 주파수 하향 변환기(frequency downlink converter), ADC(analog-to-digital converter), CP 제거기, FFT(fast fourier transform) 모듈을 포함할 수 있다. 이후, 베이스밴드 신호는 자원 디-매퍼 과정, 포스트코딩(postcoding) 과정, 복조 과정 및 디-스크램블 과정을 거쳐 코드워드로 복원될 수 있다. 코드워드는 복호(decoding)를 거쳐 원래의 정보블록으로 복원될 수 있다. 따라서, 수신 신호를 위한 신호 처리 회로(미도시)는 신호 복원기, 자원 디-매퍼, 포스트코더, 복조기, 디-스크램블러 및 복호기를 포함할 수 있다.
6G 통신 시스템
6G (무선통신) 시스템은 (i) 디바이스 당 매우 높은 데이터 속도, (ii) 매우 많은 수의 연결된 디바이스들, (iii) 글로벌 연결성(global connectivity), (iv) 매우 낮은 지연, (v) 배터리-프리(battery-free) IoT 디바이스들의 에너지 소비를 낮추고, (vi) 초고신뢰성 연결, (vii) 머신 러닝 능력을 가지는 연결된 지능 등에 목적이 있다. 6G 시스템의 비젼은 "intelligent connectivity", "deep connectivity", "holographic connectivity", "ubiquitous connectivity"와 같은 4가지 측면일 수 있으며, 6G 시스템은 하기 표 1과 같은 요구 사항을 만족시킬 수 있다. 즉, 표 1은 6G 시스템의 요구 사항을 나타낸 표이다.
Per device peak data rate 1 Tbps
E2E latency 1 ms
Maximum spectral efficiency 100 bps/Hz
Mobility support up to 1000 km/hr
Satellite integration Fully
AI Fully
Autonomous vehicle Fully
XR Fully
Haptic Communication Fully
이때, 6G 시스템은 향상된 모바일 브로드밴드(enhanced mobile broadband, eMBB), 초-저지연 통신(ultra-reliable low latency communications, URLLC), mMTC (massive machine type communications), AI 통합 통신(AI integrated communication), 촉각 인터넷(tactile internet), 높은 스루풋(high throughput), 높은 네트워크 능력(high network capacity), 높은 에너지 효율(high energy efficiency), 낮은 백홀 및 접근 네트워크 혼잡(low backhaul and access network congestion) 및 향상된 데이터 보안(enhanced data security)과 같은 핵심 요소(key factor)들을 가질 수 있다.
도 10은 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한 도면이다.
도 10을 참조하면, 6G 시스템은 5G 무선통신 시스템보다 50배 더 높은 동시 무선통신 연결성을 가질 것으로 예상된다. 5G의 핵심 요소(key feature)인 URLLC는 6G 통신에서 1ms보다 적은 단-대-단(end-to-end) 지연을 제공함으로써 보다 더 주요한 기술이 될 것으로 예상된다. 이때, 6G 시스템은 자주 사용되는 영역 스펙트럼 효율과 달리 체적 스펙트럼 효율이 훨씬 우수할 것이다. 6G 시스템은 매우 긴 배터리 수명과 에너지 수확을 위한 고급 배터리 기술을 제공할 수 있어, 6G 시스템에서 모바일 디바이스들은 별도로 충전될 필요가 없을 수 있다.
6G 시스템의 핵심 구현 기술
- 인공 지능(artificial Intelligence, AI)
6G 시스템에 가장 중요하며, 새로 도입될 기술은 AI이다. 4G 시스템에는 AI가 관여하지 않았다. 5G 시스템은 부분 또는 매우 제한된 AI를 지원할 것이다. 그러나, 6G 시스템은 완전히 자동화를 위해 AI가 지원될 것이다. 머신 러닝의 발전은 6G에서 실시간 통신을 위해 보다 지능적인 네트워크를 만들 것이다. 통신에 AI를 도입하면 실시간 데이터 전송이 간소화되고 향상될 수 있다. AI는 수많은 분석을 사용하여 복잡한 대상 작업이 수행되는 방식을 결정할 수 있다. 즉, AI는 효율성을 높이고 처리 지연을 줄일 수 있다.
핸드 오버, 네트워크 선택, 자원 스케줄링과 같은 시간 소모적인 작업은 AI를 사용함으로써 즉시 수행될 수 있다. AI는 M2M, 기계-대-인간 및 인간-대-기계 통신에서도 중요한 역할을 할 수 있다. 또한, AI는 BCI(brain computer interface)에서 신속한 통신이 될 수 있다. AI 기반 통신 시스템은 메타 물질, 지능형 구조, 지능형 네트워크, 지능형 장치, 지능형 인지 라디오(radio), 자체 유지 무선 네트워크 및 머신 러닝에 의해 지원될 수 있다.
최근 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer) 특히, 딥 러닝은 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층으로 발전하고 있으며, 특히 물리계층에서 딥 러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN(deep nenural networks)의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥 러닝은 주로 실제 신호(real signal)을 대상으로 한다. 그러나, 무선 통신의 물리 계층의 신호들은 복소 신호(complex signal)이다. 무선 통신 신호의 특성을 매칭시키기 위해 복소(complex) 도메인 신호의 검출하는 신경망(neural network)에 대한 연구가 더 필요하다.
이하, 머신 러닝에 대해 보다 구체적으로 살펴본다.
머신 러닝은 사람이 할 수 있거나 혹은 하기 어려운 작업을 대신해낼 수 있는 기계를 만들어 내기 위해 기계를 학습시키는 일련의 동작을 의미한다. 머신 러닝을 위해서는 데이터와 러닝 모델이 필요하다. 머신 러닝에서 데이터의 학습 방법은 크게 3가지 즉, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 그리고 강화 학습(reinforcement learning)으로 구분될 수 있다.
신경망 학습은 출력의 오류를 최소화하기 위한 것이다. 신경망 학습은 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation) 하여 신경망의 각 노드의 가중치를 업데이트하는 과정이다.
지도 학습은 학습 데이터에 정답이 라벨링된 학습 데이터를 사용하며 비지도 학습은 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교하여 오차(error)가 계산될 수 있다. 계산된 오차는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다
데이터의 특징에 따라 학습 방법은 달라질 수 있다. 예를 들어, 통신 시스템 상에서 송신단에서 전송한 데이터를 수신단에서 정확하게 예측하는 것을 목적으로 하는 경우, 비지도 학습 또는 강화 학습 보다는 지도 학습을 이용하여 학습을 수행하는 것이 바람직하다.
러닝 모델은 인간의 뇌에 해당하는 것으로서, 가장 기본적인 선형 모델을 생각할 수 있으나, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 한다.
학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural networks, DNN), 합성곱 신경망(convolutional deep neural networks, CNN), 순환 신경망(recurrent boltzmann machine, RNN) 방식이 있으며, 이러한 러닝 모델이 적용될 수 있다.
THz(Terahertz) 통신
6G 시스템에서 THz 통신이 적용될 수 있다. 일 예로, 데이터 전송률은 대역폭을 늘려 높일 수 있다. 이것은 넓은 대역폭으로 sub-THz 통신을 사용하고, 진보된 대규모 MIMO 기술을 적용하여 수행될 수 있다.
도 9는 본 개시에 적용 가능한 전자기 스펙트럼을 도시한 도면이다. 일 예로, 도 9를 참조하면, 밀리미터 이하의 방사선으로도 알려진 THz파는 일반적으로 0.03mm-3mm 범위의 해당 파장을 가진 0.1THz와 10THz 사이의 주파수 대역을 나타낸다. 100GHz-300GHz 대역 범위(Sub THz 대역)는 셀룰러 통신을 위한 THz 대역의 주요 부분으로 간주된다. Sub-THz 대역 mmWave 대역에 추가하면 6G 셀룰러 통신 용량은 늘어난다. 정의된 THz 대역 중 300GHz-3THz는 원적외선 (IR) 주파수 대역에 있다. 300GHz-3THz 대역은 광 대역의 일부이지만 광 대역의 경계에 있으며, RF 대역 바로 뒤에 있다. 따라서, 이 300 GHz-3 THz 대역은 RF와 유사성을 나타낸다.
THz 통신의 주요 특성은 (i) 매우 높은 데이터 전송률을 지원하기 위해 광범위하게 사용 가능한 대역폭, (ii) 고주파에서 발생하는 높은 경로 손실 (고 지향성 안테나는 필수 불가결)을 포함한다. 높은 지향성 안테나에서 생성된 좁은 빔 폭은 간섭을 줄인다. THz 신호의 작은 파장은 훨씬 더 많은 수의 안테나 소자가 이 대역에서 동작하는 장치 및 BS에 통합될 수 있게 한다. 이를 통해 범위 제한을 극복할 수 있는 고급 적응형 배열 기술을 사용할 수 있다.
테라헤르츠(THz) 무선통신
도 10은 본 개시에 적용 가능한 THz 통신 방법을 도시한 도면이다.
도 10을 참조하면, THz 무선통신은 대략 0.1~10THz(1THz=1012Hz)의 진동수를 가지는 THz파를 이용하여 무선통신을 이용하는 것으로, 100GHz 이상의 매우 높은 캐리어 주파수를 사용하는 테라헤르츠(THz) 대역 무선통신을 의미할 수 있다. THz파는 RF(Radio Frequency)/밀리미터(mm)와 적외선 대역 사이에 위치하며, (i) 가시광/적외선에 비해 비금속/비분극성 물질을 잘 투과하며 RF/밀리미터파에 비해 파장이 짧아 높은 직진성을 가지며 빔 집속이 가능할 수 있다.
인공 지능(Artificial Intelligence) 시스템
도 11은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 도시한다. 또한, 도 12는 본 개시에 적용 가능한 인공 신경망 구조를 도시한다.
상술한 바와 같이, 6G 시스템에서 인공 지능 시스템이 적용될 수 있다. 이때, 일 예로, 인공 지능 시스템은 인간의 뇌에 해당하는 러닝 모델에 기초하여 동작할 수 있으며, 이는 상술한 바와 같다. 이때, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한, 학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional deep neural network, CNN), 순환 신경망(recurrent neural network, RNN) 방식이 있다. 이때, 일 예로, 도 11을 참조하면, 인공 신경망은 여러 개의 퍼셉트론들로 구성될 수 있다. 이때, 입력 벡터 x={x1, x2, …, xd}가 입력되면, 각 성분에 가중치 {W1, W2, …, Wd}가 곱해지고, 그 결과를 모두 합산한 후, 활성함수 σ(·)를 적용하는 전체 과정은 퍼셉트론이라 불리울 수 있다. 거대한 인공 신경망 구조는 도 11에 도시한 단순화된 퍼셉트론 구조를 확장하면, 입력벡터는 서로 다른 다 차원의 퍼셉트론에 적용될 수 있다. 설명의 편의를 위해 입력값 또는 출력값을 노드(node)라 칭한다.
한편, 도 11에 도시된 퍼셉트론 구조는 입력값, 출력값을 기준으로 총 3개의 층(layer)로 구성되는 것으로 설명될 수 있다. 1st layer와 2nd layer 사이에는 (d+1) 차원의 퍼셉트론 H개, 2nd layer와 3rd layer 사이에는 (H+1)차원 퍼셉트론이 K 개 존재하는 인공 신경망은 도 12와 같이 표현될 수 있다.
이때, 입력벡터가 위치하는 층을 입력층(input layer), 최종 출력값이 위치하는 층을 출력층(output layer), 입력층과 출력층 사이에 위치하는 모든 층을 은닉층(hidden layer)라 한다. 일 예로, 도 12에서 3개의 층이 개시되나, 실제 인공 신경망 층의 개수를 카운트할 때는 입력층을 제외하고 카운트하므로, 도 12에 예시된 인공 신경망은 총 2개의 층으로 이해될 수 있다. 인공 신경망은 기본 블록의 퍼셉트론을 2차원적으로 연결되어 구성된다.
전술한 입력층, 은닉층, 출력층은 다층 퍼셉트론 뿐 아니라 후술할 CNN, RNN 등 다양한 인공 신경망 구조에서 공동적으로 적용될 수 있다. 은닉층의 개수가 많아질수록 인공 신경망이 깊어진 것이며, 충분히 깊어진 인공 신경망을 러닝모델로 사용하는 머신러닝 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한 딥러닝을 위해 사용하는 인공 신경망을 심층 신경망(deep neural network, DNN)이라 할 수 있다.
도 13은 본 개시에 적용 가능한 심층 신경망을 도시한다.
도 13을 참조하면, 심층 신경망은 은닉층+출력층이 8개로 구성된 다층 퍼셉트론일 수 있다. 이때, 다층 퍼셉트론 구조를 완전 연결 신경망(fully-connected neural network)이라 표현할 수 있다. 완전 연결 신경망은 서로 같은 층에 위치하는 노드 간에는 연결 관계가 존재하지 않으며, 인접한 층에 위치한 노드들 간에만 연결 관계가 존재할 수 있다. DNN은 완전 연결 신경망 구조를 가지고 다수의 은닉층과 활성함수들의 조합으로 구성되어 입력과 출력 사이의 상관관계 특성을 파악하는데 유용하게 적용될 수 있다. 여기서 상관관계 특성은 입출력의 결합 확률(joint probability)을 의미할 수 있다.
도 14는 본 개시에 적용 가능한 컨볼루션 신경망을 도시한다. 또한, 도 15는 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 도시한다.
일 예로, 복수의 퍼셉트론을 서로 어떻게 연결하느냐에 따라 전술한 DNN과 다른 다양한 인공 신경망 구조를 형성할 수 있다. 이때, DNN은 하나의 층 내부에 위치한 노드들이 1차원적의 세로 방향으로 배치되어 있다. 그러나, 도 14를 참조하면, 노드들이 2차원적으로 가로 w개, 세로 h개의 노드가 배치할 경우를 가정할 수 있다. (도 14의 컨볼루션 신경망 구조). 이 경우, 하나의 입력 노드에서 은닉층으로 이어지는 연결과정에서 연결 하나당 가중치가 부가되므로, 총 h×w 개의 가중치가 고려되어야 한다. 입력층에 h×w 개의 노드가 존재하므로, 인접한 두 층 사이에는 총 h2w2개의 가중치가 필요할 수 있다.
또한, 도 14의 컨볼루션 신경망은 연결개수에 따라 가중치의 개수가 기하급수적으로 증가하는 문제가 있어 인접한 층 간의 모든 모드의 연결을 고려하는 대신, 크기가 작은 필터(filter)가 존재하는 것으로 가정할 수 있다. 일 예로, 도 15에서와 같이 필터가 겹치는 부분에 대해서는 가중합 및 활성함수 연산을 수행하도록 할 수 있다.
이때, 하나의 필터는 그 크기만큼의 개수에 해당하는 가중치를 가지며, 이미지 상의 어느 특정한 특징을 요인으로 추출하여 출력할 수 있도록 가중치의 학습이 이루어질 수 있다. 도 15에서는 3×3 크기의 필터가 입력층의 가장 좌측 상단 3×3 영역에 적용되고, 해당 노드에 대한 가중합 및 활성함수 연산을 수행한 결과 출력값은 z22에 저장될 수 있다.
이때, 상술한 필터는 입력층을 스캔하면서 가로, 세로 일정 간격만큼 이동하면서 가중합 및 활성함수 연산이 수행되고, 그 출력값은 현재 필터의 위치에 배치될 수 있다. 이러한 연산 방식은 컴퓨터 비전(computer vision) 분야에서 이미지에 대한 컨볼루션(convolution) 연산과 유사하므로, 이러한 구조의 심층 신경망은 컨볼루션 신경망(CNN: convolutional neural network)라 불리고, 컨볼루션 연산 결과 생성되는 은닉층은 컨볼루션 층(convolutional layer)라 불릴 수 있다. 또한, 복수의 컨볼루션 층이 존재하는 신경망을 심층 컨볼루션 신경망(deep convolutional neural network, DCNN)이라 할 수 있다.
또한, 컨볼루션 층에서는 현재 필터가 위치한 노드에서, 상기 필터가 커버하는 영역에 위치한 노드만을 포괄하여 가중합을 계산함으로써, 가중치의 개수가 감소될 수 있다. 이로 인해, 하나의 필터가 로컬(local) 영역에 대한 특징에 집중하도록 이용될 수 있다. 이에 따라, CNN은 2차원 영역 상의 물리적 거리가 중요한 판단 기준이 되는 이미지 데이터 처리에 효과적으로 적용될 수 있다. 한편, CNN은 컨볼루션 층의 직전에 복수의 필터가 적용될 수 있으며, 각 필터의 컨볼루션 연산을 통해 복수의 출력 결과를 생성할 수도 있다.
한편, 데이터 속성에 따라 시퀀스(sequence) 특성이 중요한 데이터들이 있을 수 있다. 이러한 시퀀스 데이터들의 길이 가변성, 선후 관계를 고려하여 데이터 시퀀스 상의 원소를 매 시점(timestep) 마다 하나씩 입력하고, 특정 시점에 출력된 은닉층의 출력 벡터(은닉 벡터)를, 시퀀스 상의 바로 다음 원소와 함께 입력하는 방식을 인공 신경망에 적용한 구조를 순환 신경망 구조라 할 수 있다.
도 16은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 도시한다. 도 17은 본 개시에 적용 가능한 순환 신경망의 동작 구조를 도시한다.
도 16을 참조하면, 순환 신경망(recurrent neural network, RNN)은 데이터 시퀀스 상의 어느 시선 t의 원소 {x1 (t), x2 (t), …, xd (t)}를 완전 연결 신경망에 입력하는 과정에서, 바로 이전 시점 t-1은 은닉 벡터 {z1 (t-1), z2 (t-1), …, zH (t-1)}을 함께 입력하여 가중합 및 활성함수를 적용하는 구조를 가질 수 있다. 이와 같이 은닉 벡터를 다음 시점으로 전달하는 이유는 앞선 시점들에서의 입력 벡터속 정보들이 현재 시점의 은닉 벡터에 누적된 것으로 간주하기 때문이다.
또한, 도 17을 참조하면, 순환 신경망은 입력되는 데이터 시퀀스에 대하여 소정의 시점 순서대로 동작할 수 있다. 이때, 시점 1에서의 입력 벡터 {x1 (t), x2 (t), …, xd (t)}가 순환 신경망에 입력되었을 때의 은닉 벡터 {z1 (1), z2 (1), …, zH (1)}가 시점 2의 입력 벡터 {x1 (2), x2 (2), …, xd (2)}와 함께 입력되어, 가중합 및 활성 함수를 통해 은닉층의 벡터 {z1 (2), z2 (2), …, zH (2)}가 결정된다. 이러한 과정은 시점 2, 시점 3, …, 시점 T까지 반복적으로 수행된다.
한편, 순환 신경망 내에서 복수의 은닉층이 배치될 경우, 이를 심층 순환 신경망(deep recurrent neural network, DRNN)라 한다. 순환 신경망은 시퀀스 데이터(예, 자연어 처리(natural language processing)에 유용하게 적용되도록 설계되어 있다.
학습(learning) 방식으로 사용하는 신경망 코어로서 DNN, CNN, RNN 외에 제한 볼츠만 머신(restricted Boltzmann machine, RBM), 심층 신뢰 신경망(deep belief networks, DBN), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터 비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
최근에는 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer), 특히, 딥러닝의 경우, 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층(physical layer)으로 발전하고 있으며, 특히 물리 계층에서 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리 계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라, AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
지능형 반사 평면(reflecting intelligent surface, RIS)
RIS는 미래 무선 통신의 주요한 신기술 후보군 중 하나로서, 신호를 반사하는 복수의 소자 요소들을 구비한 표면이다. 각 소자 요소는 충돌하는 전자기파의 위상을 독립적으로 변화시킬 수 있다. RIS의 주된 특징 중 하나는 제어가 가능하여, 실시간으로 각각 요소의 위상 변화율을 조절할 수 있다는 것이다. 위상 변화율의 조절에 기반하여, 정보 전달율을 높이거나, 신호를 받지 못하는 장치를 보조하는 등, 무선 통신 채널을 실시간으로 변형하는 것이 가능하다. 또한, 신호 반사만을 지원하는 수동(passive) 소자들을 이용하기 때문에, RIS는 낮은 가격과 낮은 소모 전력 만으로 구현될 수 있다.
신호의 반사를 일으키는 소자인 메타물질(metamaterial)은 다양하게 구현될 수 있다. 예를 들어, 메타물질은 금속 소재를 이용한 다이오드 방식, 액정(liquid crystal)을 이용한 방식, 그래핀을 활용한 방식(예: SPP(surface Plasmon polariton)을 활용한 그래핀과 금속의 결합 방식)에 기반하여 구현될 수 있다. 메타물질은 이 외 다양한 방식에 의해 구현될 수 있다. 메타물질로 구성되는 소자들은 전자적 또는 기계적 방식으로 제어될 수 있으며, 소자들 각각에서 신호가 반사될 때 적용되는 위상 변화율이 조절될 수 있다. 또한, 소자들 각각은 신호를 반사하지 아니하도록 불활성(deactivated)될 수 있다.
경우에 따라, RIS는, 수동(passive) 소자 뿐만 아니라, 능동(active) 소자를 더 포함할 수 있다. 능동 소자는 단순히 신호를 반사하는 것에서 나아가 수신되는 신호를 처리할 수 있는 능력을 가진 소자를 의미한다. 능동 소자는 수동 소자에 수신 RF 체인을 연결함으로서 구현될 수 있다. 능동 소자로 인해 RIS 장점 중 하나인 낮은 비용과 저복잡도의 특성이 약해질 수 있으나, 능동 소자는 좀더 다양하고 유연한 시스템 운영을 가능하게 할 수 있다. 능동 소자는 능동 센서라고 지칭되기도 한다.
RIS의 일 예는 도 18과 같다. 도 18은 본 개시에 적용 가능한 RIS을 도시한다. 도 18을 참고하면, RIS(1830)는 통신부(1832), 반사부(1834), 제어부(1836)를 포함한다. 통신부(1832)는 다른 장치(예: 기지국(1810))과의 통신을 위한 기능들을 수행한다. 예를 들어, 통신부(1832)는 제어 시그널링을 수행할 수 있다. 반사부(1834)는 신호를 반사하기 위한 복수의 소자들을 포함한다. 복수의 소자들은 물리적 제어에 따라 상태를 변경하는 메타물질로 구성될 수 있다. 신호를 반사하기 위한 각 소자는 '반사 요소(element)', '반사 표면(surface)', '반사 소자(component)' 또는 이와 동등한 기술적의미를 가지는 다른 용어로 지칭될 수 있다. 제어부(1836)는 RIS(1830)의 전반적인 동작을 제어한다. 예를 들어, 다른 장치와의 제어 시그널링을 위해, 제어부(1836)는 통신부(1832)를 이용하여 다른 장치와의 인터페이스를 수립하는 절차를 수행할 수 있다. 또한, 제어부(1836)는 다른 장치로부터 수신되는 제어 메시지에 따라 반사부(1834)에 포함되는 소자들의 상태를 제어할 수 있다. 도 18에 도시되지 아니하였으나, RIS(1830)는 능동 소자를 구현하기 위한 적어도 하나의 수신 RF 체인을 더 포함할 수 있다.
본 발명의 구체적인 실시 예
본 개시는 무선 통신 시스템에서 채널 추정에 관한 것이다. 구체적으로, 본 개시는 무선 통신 시스템에서 RIS에 관련된 채널을 추정하는 기술에 관한 것이다. 이하 후술되는 다양한 실시 예들에서, 반사 표면들을 구비한 RIS에 관련된 구조 및 동작들이 설명되나, RIS는 제한된 기능을 가지는 중계국(relay station) 또는 IAB(integrated access and backhaul) 노드로 대체될 수 있다. 여기서, 기능이 제한됨은 낮은 하드웨어 능력으로 구현되거나, 또는 동작 모드에 따라 일부 기능이 차단된 상태로 동작하는 것을 의미한다.
밀리미터파(mmWave) 또는 테라헤르츠(Terahertz) 기반 통신에서, 신호 감쇄나 차단(blockage)을 회피하기 위하여 RIS를 적용하는 것이 고려되고 있다. RIS는 신호를 반사하는 특성을 가진 적어도 하나의 반사 표면(reflecting surface)을 포함한다. 여기서, 반사 표면은 신호를 반사하는 단위체로서, '소자(element)'라 지칭될 수도 있다. 반사 표면은 반사 신호의 주파수, 위상, 전력 등을 변경할 수 있는 능동(active) 소자 및 위상만 변경할 수 있는 수동(passive) 소자로 구분될 수 있다. 능동 소자들로 구성된 RIS는 반사되는 신호를 보다 다양하게 조절할 수 있지만, 잡음 증폭 경험한다. 반면, 수동 소자들로 구성된 RIS는 위상만 변경할 수 있기 때문에 반사되는 신호를 조절에 제약을 가지나, 잡음을 증폭함 없이 신호를 증폭하기에 적절하다. RIS를 구성하는 반사 표면의 종류에 따라, RIS는 능동 소자들로만 구성된 능동 RIS, 능동 소자 및 수동 소자의 조합으로 구성된 준-수동(semi-passive) RIS, 수동 소자들로만 구성된 수동 RIS로 구분될 수 있다.
RIS가 적용된 셀룰러 통신의 경우, BS-UE 경로 외에도 BS-RIS-UE 경로의 CSI(channel state information) 측정 및 송신 빔 가중치(beam weight) 및 RIS의 가중치(weight)(예: 반사 계수)를 결정하기 위한 채널 추정이 수행될 수 있다. 이때, BS-RIS-UE 경로의 채널 추정을 위해서, 기지국의 안테나 및 RIS의 소자들이 모두 고려되어야 하므로, BS-UE 경로의 채널을 추정하는 것에 비해서 RS 전송 오버헤드(overhead)가 크게 증가할 수 있다.
도 19는 본 개시의 일 실시 예에 따른 BS-RIS-US 경로의 예를 도시한다. 도 19를 참고하면, 기지국(1910) 및 UE(1920) 각각은 8개의 안테나 요소들(antenna elements)을 포함하고, RIS(1930)는 8개의 반사 표면들을 포함한다. 이 경우, BS-RIS-UE 경로는 안테나 요소들의 개수 및 반사 표면들의 개수에 따라 총 512(=8x8x8) 개의 채널 계수들(channel coefficients)로 정의되며, 모든 채널 계수들을 추정하기 위해서 상당히 큰 기준 신호 전송 오버헤드가 요구될 수 있다. 높은 기준 신호 전송 오버헤드는 시스템 효율을 저하시킬 수 있으므로, RIS가 적용된 상황에서 효율적으로 기준 신호들을 전송하기 위한 대안이 필요하다.
이하 [표 2]는 수동 RIS가 적용된 셀룰러 통신에서 BS-RIS-UE 경로의 CSI 측정, 송신 빔 가중치 및 RIS의 가중치를 결정하기 위한 하향링크 채널 추정 기법들의 몇몇 예들을 나타낸다.
Tx operation (기지국) RIS operation RS Tx time comments
On/OFF method Switching on each antenna element in turn for all elements Switching on each reflecting element in turn for all elements, MtotalK -Power loss
-largest overhead
DFT-based method DFT-based reference signal for all antenna elements DFT-based reference signal for all reflecting elements MtotalK -Best performance
-largest overhead
Two phase method Phase 1:
One antenna elements		 Phase 1:
DFT-based reference signal considering all antenna elements		 Mtotal+
Figure PCTKR2022009773-appb-img-000001
 - Gaussian channel distribution,
- Power loss,
- Error propagation
Phase 2:
Switching on each antenna element in turn for all elements		 Phase 2:
Switching on all reflecting elements
Predesigned Reflecting coefficient matrix- based method DFT-based precoding matrix Predesigned reflecting coefficient matrix from a codebook for data transmission
(considering all reflecting elements, not orthogonal matrix)		 K x (# of Reflecting coefficient matrices) - Pre-designed codebook for data transmission,
- Estimated channel depending on reflecting coefficient matrices
- Tx Beamforming weight design
- Power loss vs. overhead tradeoff
[표 2]에서, BS-RIS-UE 경로의 채널을 추정하기 위한 4가지 기준 신호 전송 방식들이 소개된다. [표 2]에서, K는 기지국의 안테나 요소들의 개수, Mtotal은 RIS의 반사 표면들의 개수이며, N은 UE의 안테나 요소들의 개수를 의미한다.
[표 2]을 참고하면, 온/오프(On/Off) 방식은 기지국 및 RIS는 안테나 요소들 및 반사 표면들을 순차적으로 온/오프하며 채널을 추정하는 방식이다. 온/오프 방식의 경우, 기준 신호 전송 시간 당 하나의 안테나 요소만 온(on)되므로, 전력 손실(power loss)이 발생할 수 있다.
DFT-기반(DFT-based) 방식은 채널 추정 시 안테나 요소들 및 RIS 표면을 구분하기 위하여 DFT 행렬 기반의 기준 신호들을 송신한다. 즉, DFT-기반 방식에 따르면, 기지국은 K-DFT 행렬 기반 기준 신호들을 송신하고, RIS는 Mtotal-DFT 행렬을 적용함으로써 반사 표면들의 위상을 설정한다. DFT-기반 방식은 총 MtotalK의 기준 신호 전송 시간을 필요로 한다. 구체적으로, RIS에서 사용되는 DFT 행렬의 m번째 열에 포함되는 원소들은 m 번째 전송 시간에 설정되는 RIS의 반사 표면들의 위상 값들이다. 기지국에서 사용되는 DFT 행렬의 k번째 열에 포함되는 원소들은 기지국에 의해 k번째로 송신되는 기준 신호의 값들이다. 기지국과 RIS의 DFT 행렬의 모든 열들이 전송될 수 있도록, 기준 신호들이 송신될 수 있다.
2-페이즈(two phase) 방식은 BS-RIS-UE 경로의 채널 추정 시 두 단계로 나누어 추정하는 방식이다. 2-페이즈 방식에 따르면, 페이즈 1에서 송신된 기준 신호들을 이용해 추정된 채널 관련 정보를 페이즈 2에 송신된 기준 신호들로부터 관찰된 수신 신호와 함께 사용하여 채널 추정이 수행된다. 2-페이즈 방식을 이용하면, 기준 신호 전송 오버헤드가 감소될 수 있다. 그러나, 2-페이즈 방식은 복소 가우시안(Complex Gaussian) 채널 환경 및 이에 따른 풀 랭크(full rank) 환경을 고려하므로, 적용 시 채널 환경에 제약이 존재할 수 있다. 또한, 기준 신호 송신 시 DFT-기반 방식과 온/오프 방식을 조합하여 사용하기 때문에, 전력 손실 또한 존재할 수 있다. 추가적으로, 페이즈 1에서 검출된 정보를 페이즈 2에서 사용하기 때문에 오류 전파(error propagation) 문제도 발생할 수 있다.
사전 설계된 반사 계수 행렬(predesigned reflecting coefficient matrix) 기반 방식은 사전에 설계된 데이터 송신을 위한 RIS 반사 계수 코드북(reflecting weight codebook)에 포함된 각 반사 가중치 행렬(reflecting weight matrix)에 대하여 채널을 추정한 후, 데이터 송신 시 가장 우수한 성능을 제공할 것으로 보이는 반사 가중치 행렬을 선택하는 방식이다. 각 반사 가중치 행렬에 대하여, 기지국은 K-DFT 행렬 기반 기준 신호를 송신할 수 있다. 따라서, 요구되는 기준 신호 송신 기회의 개수(occasion)는 기지국의 안테나 개수 K 및 코드북에 포함되는 행렬들의 개수에 기반한다.
전술한 방식들 중, 온/오프 방식, DFT-기반 방식, 2-페이즈 방식은 BS-RIS-UE 경로의 채널을 추정한 후 추정된 채널로부터 기지국의 송신 프리코딩 행렬 및 RIS의 반사 표면의 가중치들을 결정하게 한다. 반면, 사전 설계된 반사 계수 행렬 기반 방식은 데이터 송신 시 사용될 반사 가중치 코드북을 미리 설계하고, 각 반사 가중치 행렬들에 대해서 추정된 채널을 이용하여 최대의 달성 전송률(achievable rate)을 제공할 수 있는 반사 가중치 행렬을 선택하게 한다.
본 개시는 CSI 측정, 송신 빔 가중치 및 RIS의 가중치를 결정하기 위한 하향링크 채널 추정 시 RIS가 반사 표면들 중 일부를 오프(off)함으로써 기준 신호 송신 오버헤드를 줄일 수 있는 기술을 제안한다. 그리고, 본 개시는 제안되는 기술을 수행하기 위한 구체적인 동작들 및 시그널링 절차에 대한 다양한 실시 예들을 설명한다. 특히, 제안 기술은, RIS가 반사 표면들의 일부를 오프하더라도, 일부 반사 표면들의 오프가 기준 신호 송신 오버헤드와 연관되도록 RIS를 동작시킨다. 본 개시의 다양한 실시 예들에 따르면, RIS가 특정한 적어도 하나의 반사 표면을 동작시키지 아니한 상태에서 반사된 신호만을 이용하여 채널 추정을 수행하기 때문에, 채널 추정 시 사용되지 아니하는 RIS의 반사 표면(들)의 개수에 비례하여 기준 신호 송신 오버헤드가 감소될 수 있다. 제안 기술은 다양한 기지국의 기준 신호 송신 방식, 다양한 RIS의 반사 표면의 가중치를 선택하는 방식과 함께 사용될 수 있고, 특정한 방식에 제한되지 아니한다.
도 20은 본 개시의 일 실시 예에 따른 기준 신호 송신의 개념을 도시한다. 도 20은 DFT-기반 기준 신호 송신 방식이 적용된 상황에서 일 실시 예에 따른 기준 신호 송신 방식을 예시한다. 도 20에서, 설명의 편의를 위해 DFT-기반 기준 신호 송신 방식이 예시되지만, DFT-기반 기준 신호 송신 방식 외에 다른 기준 신호 송신 방식도 제안 기술과 결합 가능함은 자명하다. 도 20에서, 기지국 및 UE의 안테나 요소들이 모두 이용되는 것이 가정되며, RIS는 특정 반사 표면이 오프된 상태에서 기준 신호를 반사한다. 도 20에서, RIS의 반사 표면들의 전체 개수는 Mtotal, 오프된 반사 표면의 개수는 Moff, 사용되는 반사 표면의 개수는 M(=Mtotal-Moff)으로 표현된다. 일 실시 예에 따라, 오프된 RIS의 반사 표면들의 위치는 오토-인코더(auto-encoder)와 같은 딥 러닝(deep learning, DL) 기법을 이용하여 선택될 수 있다. 예를 들어, 인코더의 출력이 온-오프(on-off) 형태로 표현되는 오토-인코더 기술이 사용될 수 있다. 이 경우, RIS에서 오프된 반사 표면을 선택하기 위해서 오프라인 학습(offline learning)이 수행될 수 있다.
도 20을 참고하면, UE(2020)는 기지국(2010)으로부터 송신되고 RIS(2030)를 반사한 후 수신된 기준 신호들을 이용하여 채널 추정을 수행한다. 채널 추정을 위해서, UE(2020)는 오프된 반사 표면들을 통해 수신되어야 할 기준 신호들의 수신 값을 추정 또는 예측한다. 오프된 반사 표면을 통해 수신되어야 할 신호들에 대한 추정 또는 예측은, 온된 반사 표면들을 통해 수신된 신호들에 기반하여 수행된다. 예를 들어, UE(2020)는 온된 반사 표면들을 통해 수신된 신호들의 값들에 대하여 보간(interpolation)/외삽(extrapolation) 연산을 수행함으로써 오프된 반사 표면들을 통해 수신되어야 할 신호들의 값들을 추정할 수 있다. 여기서, 보간/외삽 연산은 온된 반사 표면들에 관련된 채널 값들에 기반하여 오프된 반사 표면들에 관련된 채널 값들을 추정하는 동작을 의미한다.
일 실시 예에 따라, 보간/외삽 연산은 딥 러닝 모델을 이용하여 수행될 수 있다. 이 경우, 딥 러닝 모델은 RIS에서 오프된 반사 표면들의 위치 선택과 함께 훈련될 수 있다. 예를 들어, 딥 러닝 모델로서, 인코더의 출력이 온-오프 형태로 표현되는 오토-인코더가 사용될 수 있다. 이 경우, 오토-인코더의 인코더(encoder)는 RIS에서 오프된 반사 표면들의 위치를 선택하고, 디코더(decoder)는 수신된 신호들을 기반으로 오프된 반사 표면들을 통해 수신되어야 할 신호들을 추정하기 위한 보간/외삽 연산을 수행한다. 다른 실시 예에 따라, 오토-인코더 외 다른 딥 러닝 모델이 보간/외삽 연산을 위해 사용될 수 있다. 예를 들어, 다른 딥 러닝 모델은 학습의 결과를 RIS에 포함된 표현들의 온-오프 형태로 표현하는 DNN(deep neural network)을 포함할 수 있다. 또 다른 실시 예에 따라, 보간/외삽 연산은 딥 러닝 모델의 사용 없이 미리 정의된 알고리즘에 의해 수행될 수 있다.
일 실시 예에 따라, 오프되는 반사 표면들을 선택하고, 수신되지 아니하는 신호를 보간/외삽하는 딥 러닝 모델의 훈련은 오프라인 학습을 통해 수행될 수 있다. RIS의 오프된 반사 표면들의 위치는 미리 학습된 정보를 기반으로 오프되는 반사 표면의 개수 Moff, 채널 환경 또는 RIS의 설정(configuration)에 따라서 결정될 수 있다. 오프되는 반사 표면들의 위치에 대한 결정은 RIS(2030), 기지국(2010) 또는 별도의 제어기(controller)에 의해 수행될 수 있다. 오프되는 반사 표면들의 위치가 RIS(2030)가 아닌 주체에 의해 결정되는 경우, 오프되는 반사 표면들의 위치는 RIS(2030)에게 전달된다. 또한, 오프되는 반사 표면들의 위치는 UE(2020)에게도 전달될 수 있다.
오프되는 반사 표면들의 개수 및 위치를 확인한 RIS(2030)는 Mtotal 개의 반사 표면들 중 확인된 위치의 Moff개의 반사 표면들을 제외한 나머지 M개의 반사 표면들만을 이용하여 기지국(2010)으로부터 송신된 기준 신호들을 반사한다. 기지국(2010)은 RIS(2030)에서 반사에 사용되는 M개의 반사 표면들을 고려하여 기준 신호들을 송신한다. 예를 들어, 도 20과 같이 DFT-기반 기준 신호 송신 기법을 고려하면, 기지국(2010)은 기준 신호들을 송신하기 위해 사용되는 K-DFT 행렬에서 하나의 열(column)을 M회의 송신 기회들 동안 유지하고, M회의 송신 기회들 동안, RIS(2030)는 M-DFT 행렬을 반사 가중치(reflecting weight)로서 사용하면서 신호를 반사한다. 전술한 동작은 K-DFT 행렬에 포함된 열들의 개수만큼 반복될 수 있다. 따라서, 총 K·M회의 송신 기회들이 요구된다.
UE(2020)는 오프되는 반사 표면의 개수 Moff 및 위치를 확인한 후, 채널 환경 및 RIS(2030)의 설정(configuration)을 기반으로 미리 학습된 정보를 이용하여 반사 표면을 오프함으로 인해 수신되지 아니하는 신호를 추정/예측할 수 있다. 여기서, 수신되지 아니하는 신호는, 오프된 반사 표면이 온된 경우 해당 반사 표면에 의해 반사되어 수신되었을 것으로 예상되는 신호를 의미한다. 최종적으로, 전술한 바와 같이 복원된 신호를 이용하여 BS-RIS-UE 경로의 채널이 추정될 수 있다.
오프되는 반사 표면을 선택하고, 수신되지 못한 신호에 대응하는 수신 값을 보간/외삽 연산하는 동작들은 다음과 같다. 이하 설명에서, DFT 행렬 기반 기준 신호 송신 기법에 제안된 방식을 적용한 경우가 예시된다. RIS(2030)의 반사 표면들은 서로에 대해 공간 상관을 가지기 때문에, 특정 반사 표면의 정보를 인접 반사 표면들의 정보로부터 획득하는 것이 가능하다. 이하 설명의 편의를 위해, 본 개시는 ULA 어레이 안테나를 고려한다.
기지국(2010)으로부터 RIS(2030)로의 채널은 이하 [수학식 1]과 같이 표현될 수 있다.
Figure PCTKR2022009773-appb-img-000002
[수학식 1]에서, HRIS_BS는 RIS 및 기지국 간 채널, AIRS,0는 기지국으로부터 RIS로의 AoA(angle of arrival) 벡터, ΛBS,IRS는 기지국으로부터 RIS로의 경로에 대한 대각 행렬 형태의 채널 계수 행렬, ABS는 기지국으로부터 RIS로의 AoD(angle of departure) 벡터를 의미한다. AIRS,0는
Figure PCTKR2022009773-appb-img-000003
,
Figure PCTKR2022009773-appb-img-000004
는
Figure PCTKR2022009773-appb-img-000005
, ABS는
Figure PCTKR2022009773-appb-img-000006
,
Figure PCTKR2022009773-appb-img-000007
는
Figure PCTKR2022009773-appb-img-000008
로 표현될 수 있다. 또한, ΛBS,IRS의 l번째 대각 원소는 ΛBS,IRS,l로 표현될 수 있으며, 기지국 및 RIS 간 l번째 경로의 채널 계수를 의미한다.
RIS(2030)로부터 UE(2020)로의 채널은 이하 [수학식 2]와 같이 표현될 수 있다.
Figure PCTKR2022009773-appb-img-000009
[수학식 2]에서, HUE_RIS는 RIS 및 UE 간 채널, AUE는 RIS로부터 UE로의 AoA 벡터, ΛIRS,UE는 RIS로부터 UE로의 경로에 대한 대각 행렬 형태의 채널 계수 행렬, AIRS,1는 RIS로부터 UE로의 AoD 벡터를 의미한다. AIRS,1은
Figure PCTKR2022009773-appb-img-000010
,
Figure PCTKR2022009773-appb-img-000011
는
Figure PCTKR2022009773-appb-img-000012
, AUE는
Figure PCTKR2022009773-appb-img-000013
,
Figure PCTKR2022009773-appb-img-000014
는
Figure PCTKR2022009773-appb-img-000015
로 표현될 수 있다. 또한, ΛIRS,UE의 l번째 대각 원소는 ΛIRS,UE,l로 표현될 수 있으며, RIS 및 UE 간 l번째 경로의 채널 계수를 의미한다.
기지국(2010) 및 RIS(2030) 간 채널과, RIS(2030) 및 UE(2020) 간 채널을 기반으로, t번째 전송 시간에 RIS(2030)의 m번째 반사 표면을 거쳐 기지국(2010)의 k번째 안테나에서 UE(2020)의 n번째 안테나에 도달하는 경로의 채널은 이하 [수학식 3]과 같이 표현될 수 있다.
Figure PCTKR2022009773-appb-img-000016
[수학식 3]에서, hk,n,m,t는 t번째 전송 시간에 기지국의 k번째 안테나에서 RIS의 m번째 반사 표면을 거쳐 UE의 n번째 안테나에 도달하는 경로의 채널 값, φm,t는 t번째 전송 시간에 RIS의 m번째 반사 표면을 위한 가중치, hk,n,m는 기지국의 k번째 안테나에서 RIS의 m번째 반사 표면을 거쳐 UE의 n번째 안테나에 도달하는 경로의 채널 값을 의미한다. 여기서, hk,n,m는
Figure PCTKR2022009773-appb-img-000017
Figure PCTKR2022009773-appb-img-000018
로 표현될 수 있다. φm,t는 RIS(2030)에서 기준 신호 송신 시간 동안 사용되는 M-DFT 행렬의 m번째 행 및 t번째 열의 원소이다.
RIS(2030)가 반사를 위해 사용하는 M개의 반사 표면들, 0 내지 M-1의 전송 시간들을 고려하면, 채널 모델은 이하 [수학식 4]와 같이 확장될 수 있다.
Figure PCTKR2022009773-appb-img-000019
[수학식 4]에서, Hk,n은 반사 표면을 고려한 채널 모델, hk,n은 기지국의 k번째 안테나 및 UE의 n번째 안테나 간 채널 값, Φ는 RIS에서 사용되는 DFT 행렬을 의미한다.
RIS(2030)에서 사용된 DFT 행렬 Φ는 알려진 정보이므로, Hk,n에서 Φ를 제거함으로써 hk,n가 계산될 수 있다. hk,n는 이하 [수학식 5]와 같이 계산될 수 있다.
Figure PCTKR2022009773-appb-img-000020
[수학식 5]에서, hk,n은 기지국의 k번째 안테나 및 UE의 n번째 안테나 간 채널 값, Hk,n은 반사 표면을 고려한 채널 모델, Φ는 RIS에서 사용되는 DFT 행렬을 의미한다.
만약, M이 Mtotal이라면 hk,n는 RIS의 모든 반사 표면들에 대한 채널 계수들을 포함한다. 따라서, RIS(2030)의 반사 가중치(reflecting weight)가 DFT 행렬과 같이 RIS(2030)의 반사 표면을 구분할 수 있도록 설계되면, UE(2020)는 BS-RIS-UE 경로에서 수신된 기준 신호들로부터 RIS(2030)의 m번째 반사 표면에 대한 채널 계수를 획득할 수 있다.
다음으로, 본 개시는 모든 반사 표면들에 대한 채널 계수들을 포함하는 hk,n을 이용하여 오프할 적어도 하나의 반사 표면을 선택하는 동작에 대해 기술한다.
도 21은 본 개시의 일 실시 예에 따른 반사 표면들에 대한 오프(off) 패턴을 결정하기 위한 인공지능 모델의 일 예를 도시한다. 도 21은 오프될 적어도 하나의 반사 표면을 선택하고, 보간 및 외삽 연산을 수행한 후, 채널 추정을 수행하는 절차의 개념을 보여준다.
도 21에서, hk,n는 모든 반사 표면들에 대한 채널 계수들을 포함한다. 즉, 도 21의 hk,n는 M이 Mtotal인 경우의 채널 정보로 이해될 수 있다. hk,n에 대해서, 오토-인코더(auto-encoder)의 인코더(2120)는 hk,n에 대응하는 희소 벡터(sparse vector) zk,n를 생성한다. zk,n는 1 및 0으로 이루어진 벡터로서, 1 값의 원소에 대응하는 반사 표면은 온(on) 상태로, 0 값의 원소에 대응하는 반사 표면은 오프(off) 상태로 설정된다. zk,n 및 hk,n의 아다마르 곱(hadamard product) 결과인 hs,k,n가 오토-인코더의 디코더(2120)에 입력으로서 주어진다. hs,k,n에서, zk,n의 0 값의 원소(들)와 동일한 위치의 원소(들)은 0 값으로 설정되고, 나머지 위치의 원소(들)은 hk,n의 동일 위치의 원소(들)과 같은 값을 가진다. 디코더(2120)는 hs,k,n으로부터 hk,n를 복원할 수 있다. 복원된 결과 hest,k,n은 hk,n와 비교할 때 MSE(mean square error) 또는 오차의 크기 등 정답인 hk,n와 가장 작은 차이를 가지도록 결정될 수 있다.
도 21에서, hk,n은 기지국의 k번째 안테나와 UE의 n번째 안테나 간 채널을 의미한다. 따라서, 기지국 및 UE의 모든 안테나들에 대한 채널을 결정하기 위해, 도 21을 참고하여 설명한 개념을 확장하는 것이 필요하다. 예를 들어, (k, n)의 모든 조합들에 대해서 획득한 zk,n을 모두 고려하여, 기지국의 모든 안테나들 및 UE의 모든 안테나들을 고려한 최종 z가 결정될 수 있다. 도 21을 참고하여 설명한 동작은 일 예이며, 이와 다른 방법이 사용될 수 있다.
오프라인 학습(offline learning) 시, 인공지능 모델의 입력(input)으로 생성되는 채널 계수들은 특정 채널 프로파일(channel profile) 또는 다수의 채널 프로파일들을 대표하는 채널 계수들일 수 있다. 또는, 다수의 채널 프로파일들에 해당하는 실제 채널 환경에서 측정된 채널에 관련된 데이터가 인공지능 모델의 입력로서 이용될 수 있다. 오프될 반사 표면들의 개수가 주어지면, 오프될 반사 표면들의 위치는 채널의 공간 상관 특성과 RIS의 설정(예: RIS의 크기, 표면들 간 간격, RIS의 형상 등)에 의해 결정될 것이다. 따라서, 학습 시 고려되는 채널 모델의 구성 및 RIS의 설정(예: RIS의 크기, 표면들 간 간격, RIS의 형상 등)에 따라, 오프될 반사 표면들의 위치 및 보간/외삽 연산을 위한 디코더가 결정될 수 있다.
도 22는 본 개시의 일 실시 예에 따른 채널 측정을 제어하는 절차의 예를 도시한다. 도 22는 기지국의 동작 방법을 예시한다.
도 22를 참고하면, S2201 단계에서, 기지국은 채널 측정에 관련된 설정(configuration) 정보를 송신한다. 설정 정보는 채널 측정을 위해 송신되는 기준 신호들에 관련된 정보를 포함할 수 있다. 예를 들어, 설정 정보는 기준 신호들을 위해 송신된 자원을 지시하는 정보, 측정 결과의 피드백에 관련된 정보, 기준 신호의 시퀀스에 관련된 정보를 포함할 수 있다. 일 실시 예에 따라, 설정 정보는 RIS의 반사 표면들의 오프 패턴에 관련된 정보(예: 오프되는 반사 표면들의 개수 및 위치)를 더 포함할 수 있다. 여기서, 오프 패턴은 채널 환경을 파악하기 위해 정의된 패턴, 파악된 채널 환경에 대응하는 패턴, 채널의 시변 정도를 측정하기 위한 패턴, 모든 반사 표면들을 사용하기 위한 패턴 중 하나일 수 있다.
S2203 단계에서, 기지국은 하향링크 기준 신호들을 송신한다. 하향링크 기준 신호들은 S2201 단계에서 송신된 설정 정보에 따라 송신된다. 예를 들어, 하향링크 기준 신호들은 기지국의 복수의 안테나 요소들의 개수 및 RIS에서 온된 반사 표면들의 개수에 기반하여 결정되는 개수의 송신 기회들 동안 송신될 수 있다. 예를 들어, 기지국은 제1 개수의 직교 또는 준-직교 시퀀스들로 구성된 하향링크 기준 신호들 각각을 제2 개수의 송신 기회들에서 반복적으로 송신할 수 있다. 여기서, 제1 개수는 기지국의 복수의 안테나 요소들의 개수(예: 도 20의 K)이고, 제2 개수는 RIS에서 온된 반사 표면들의 개수(예: 도 20의 M)일 수 있다.
S2203 단계에서, 기지국은 채널에 대한 측정 정보를 수신한다. 즉, 기지국은 S2205 단계에서 송신된 하향링크 기준 신호들에 대한 측정 결과를 UE로부터 수신할 수 있다. 예를 들어, 측정 정보는 안테나 요소들 및 반사 표면들의 조합들에 대응하는 채널 계수들, 채널의 품질을 지시하는 정보, 채널 환경을 지시하는 정보, 채널의 시변 정도를 지시하는 정보 중 적어도 하나를 포함할 수 있다. 채널 계수들이 포함되는 경우, 하향링크 기준 신호들이 RIS의 반사 표면들 중 일부에서만 반사되더라도, 측정 정보는 온된 반사 표면들에 대응하는 채널 계수들은 물론, 오프된 적어도 하나의 반사 표면에 대응하는 적어도 하나의 채널 계수를 포함할 수 있다.
S2205 단계에서, 기지국은 측정 정보에 기반하여 하향링크 데이터를 송신한다. 기지국은 수신된 측정 정보에 기반하여 프리코더 또는 송신 빔포밍 가중치들을 결정하고, 하향링크 데이터에 기반하여 생성된 하향링크 신호들에 프리코더 또는 송신 빔포밍 가중치들을 적용할 수 있다. 또한, 기지국은 수신된 측정 정보에 기반하여 RIS의 반사 표면들의 반사 가중치들을 결정하고, 하향링크 데이터를 송신하기 전에, 결정된 반사 가중치들을 지시하는 정보를 RIS에게 송신할 수 있다. 다만, 다른 실시 예에 따르면, 동작 모드에 따라 본 단계는 생략될 수 있다.
도 22를 참고하여 설명된 절차는 다양한 동작 모드들 중 하나로 이해될 수 있다. 여기서, 동작 모드들은 효과적인 채널 측정을 위해 정의되며, RIS의 설정 상태(예: 오프 패턴), UE에게 요구되는 동작 및/또는 피드백 정보, 데이터의 송신 여부 중 적어도 하나에 따라 구분될 수 있다. RIS에 관련된 채널을 측정하기 위해, 서로 다른 동작 모드들이 일정 순서에 따라 순차적으로 운용될 수 있다. 이 경우, 도 22를 참고하여 설명된 절차가 모드를 달리하여 반복적으로 수행될 수 있다. 동작 모드들의 운용에 대한 구체적인 예는 이하 도 26a 내지 도 27b를 참고하여 설명될 것이다.
도 23은 본 개시의 일 실시 예에 따른 RIS 관련 채널 정보를 획득하는 절차의 예를 도시한다. 도 23은 기지국의 동작 방법을 예시한다.
도 23을 참고하면, S2301 단계에서, 기지국은 측정 정보에 기반하여 채널 환경을 결정한다. 채널 환경을 결정하기 위해, 기지국은 미리 정의된 오프 패턴으로 RIS의 반사 표면들을 설정하고, 하향링크 기준 신호들을 송신한 후, UE로부터의 피드백 정보를 수신할 수 있다. 즉, 기지국은 채널 환경을 결정하기 위한 모드로 도 22의 절차를 수행할 수 있다.
S2303 단계에서, 기지국은 채널 환경에 기반하여 반사 표면들에 대한 오프 패턴을 결정 및 제어한다. 복수의 채널 환경들이 고려될 수 있으며, 복수의 채널 환경들 각각에 대응하는 오프 패턴이 미리 정의될 수 있다. 기지국은 결정된 채널 환경에 대응하는 오프 패턴을 확인하고, 확인된 오프 패턴에 의해 지시되는 개수 및 위치의 적어도 하나의 반사 표면을 오프하도록 RIS를 제어할 수 있다. 이를 위해, 기지국은 결정된 오프 패턴을 지시하는 정보(예: 오프 패턴 인덱스, 채널 환경 인덱스 등) 또는 결정된 오프 패턴에 따라 오프되는 적어도 하나의 반사 표면의 개수 및 위치를 지시하는 정보를 RIS에게 송신할 수 있다.
S2305 단계에서, 기지국은 오프 패턴에 대응하는 기준 신호들을 송신한다. 다시 말해, 기지국은 오프 패턴에 따라 오프되는 적어도 하나의 반사 표면 외 온되는 반사 표면들의 개수에 기반하여 기준 신호들을 송신할 수 있다. 구체적으로, 기지국은 온되는 반사 표면들의 개수에 기반하여 송신 기회들의 개수를 결정하고, 결정된 송신 기회들의 개수에 기반하여 자원을 설정한 후, 설정된 자원을 통해 기준 신호들을 송신할 수 있다. 이때, 기준 신호들의 송신에 앞서, 기지국은 기준 신호들에 대한 설정 정보를 송신할 수 있다. 다양한 실시 예들에 따라, 설정 정보는 S2303 단계에서 RIS를 제어하기 위해 송신되는 정보에 포함될 수 있다.
S2307 단계에서, 기지국은 RIS에 관련된 채널에 대한 측정 정보를 수신한다. 즉, 기지국은 S2305 단계에서 송신된 기준 신호들에 기반하여 생성된 측정 정보를 UE로부터 수신할 수 있다. 예를 들어, 측정 정보는 기지국의 안테나 요소들, 반사 표면들, UE의 안테나 요소들의 조합들에 대응하는 채널 계수들을 지시하는 정보, 채널의 품질을 지시하는 정보, 랭크를 지시하는 정보 중 적어도 하나를 포함할 수 있다. 여기서, 채널 계수들을 지시하는 정보는 RIS의 모든 가용한 반사 표면들에 관련된 채널 계수들을 지시할 수 있다.
도 22 및 도 23을 참고하여 설명한 실시 예들에서, 측정을 위한 제어 및 기준 신호들의 송신은 모두 기지국에 의해 수행된다. 그러나, 다른 실시 예에 따라, 측정을 위한 제어가 기준 신호를 송신하는 기지국이 아닌 다른 장치에 의해 수행될 수 있다. 예를 들어, 다른 장치는 다른 기지국 또는 기지국이 아닌 코어 망 노드일 수 있다. 이 경우, 도 22 및 도 23을 참고하여 설명한 절차에서, 다른 장치는 설정 정보의 내용을 결정하고, RIS의 반사 표면들을 제어할 수 있다. 이 경우, 도 22 및 도 23를 참고하여 설명한 절차의 일부는, 기지국이 다른 장치로부터 해당 정보를 수신하는 동작으로 이해될 수 있다.
도 24는 본 개시의 일 실시 예에 따른 하향링크 데이터를 수신하는 절차의 예를 도시한다. 도 24는 UE의 동작 방법을 예시한다.
도 24를 참고하면, S2401 단계에서, UE는 채널 측정에 관련된 설정 정보를 수신한다. 설정 정보는 채널 측정을 위해 송신되는 기준 신호들에 관련된 정보를 포함할 수 있다. 예를 들어, 설정 정보는 기준 신호들을 위해 송신된 자원을 지시하는 정보, 측정 결과의 피드백에 관련된 정보, 기준 신호의 시퀀스에 관련된 정보를 포함할 수 있다. 여기서, 피드백에 관련된 정보는 피드백이 요구되는 항목을 지시할 수 있으며, 요구되는 항목은 동작 모드에 따라 달라질 수 있다. 따라서, 피드백에 관련된 정보를 대신하여 또는 부가적으로, 동작 모드를 지시하는 정보가 설정 정보에 포함될 수 있다. 또한, 설정 정보는 RIS에 포함된 반사 표면들 중 오프되는 반사 표면들의 개수 및 위치, 즉, 오프 패턴에 대한 정보를 포함할 수 있다. 여기서, 오프 패턴은 기지국 또는 별도의 제어자에 의해 결정될 수 있다.
S2403 단계에서, UE는 하향링크 기준 신호들을 수신한다. UE는 S2201 단계에서 수신된 설정 정보에 기반하여, 하향링크 기준 신호들을 수신할 수 있다. 예를 들어, 하향링크 기준 신호들은 기지국의 복수의 안테나 요소들의 개수 및 RIS에서 온된 반사 표면들의 개수에 기반하여 결정되는 개수의 송신 기회들 동안 수신될 수 있다. 예를 들어, UE는 제1 개수의 직교 또는 준-직교 시퀀스들로 구성된 하향링크 기준 신호들 각각을 제2 개수의 송신 기회들에서 반복적으로 수신할 수 있다. 여기서, 제1 개수는 기지국의 복수의 안테나 요소들의 개수(예: 도 20의 K)이고, 제2 개수는 RIS에서 온된 반사 표면들의 개수(예: 도 20의 M)일 수 있다.
S2403 단계에서, UE는 RIS에 관련된 채널에 대한 측정 정보를 생성한다. 예를 들어, 측정 정보는 안테나 요소들 및 반사 표면들의 조합들에 대응하는 채널 계수들을 지시하는 정보, 채널의 품질을 지시하는 정보, 채널 환경을 지시하는 정보, 채널의 시변 정도를 지시하는 정보 중 적어도 하나를 포함할 수 있다. 채널 계수들을 지시하는 정보가 포함되는 경우, S2403 단계에서 수신된 기준 신호들이 RIS의 반사 표면들 중 일부에서만 반사되더라도, 측정 정보는 온된 반사 표면들에 대응하는 채널 계수들은 물론, 오프된 적어도 하나의 반사 표면에 대응하는 적어도 하나의 채널 계수를 포함할 수 있다. 이때, 기지국에서 송신된 시퀀스 및 RIS에서 반사를 위해 사용한 반사 가중치들의 시퀀스의 조합에 기반하여, UE는 기준 신호들의 수신 값들에서 기지국의 안테나 요소들 및 RIS의 반사 표면들의 기여(contribution)을 구분할 수 있다.
S2405 단계에서, UE는 측정 정보를 송신한다. UE는 채널 측정에 관련된 설정 정보에 의해 지시되는 방식에 따라 측정 정보를 송신할 수 있다. 다시 말해, UE는 설정 정보에 의해 지시되는 자원을 통해, 설정 정보에 의해 지시되는 포맷으로 측정 정보를 송신할 수 있다.
S2407 단계에서, UE는 하향링크 데이터를 수신한다. 하향링크 데이터로부터 생성된 하향링크 신호들은 측정 정보에 기반하여 결정된 프리코더 또는 송신 빔포밍 가중치들이 적용된 후 수신된다. 추가적으로, UE는 수신되는 하향링크 신호들에 대하여 포스트코딩 또는 수신 빔포밍을 수행할 수 있다. 다만, 다른 실시 예에 따르면, 동작 모드에 따라 본 단계는 생략될 수 있다.
도 24를 참고하여 설명된 절차는 다양한 동작 모드들 중 하나로 이해될 수 있다. 여기서, 동작 모드들은 효과적인 채널 측정을 위해 정의되며, RIS의 설정 상태(예: 오프 패턴), UE에게 요구되는 동작 및/또는 피드백 정보, 데이터의 송신 여부 중 적어도 하나에 따라 구분될 수 있다. RIS에 관련된 채널을 측정하기 위해, 서로 다른 동작 모드들이 일정 순서에 따라 순차적으로 운용될 수 있다. 이 경우, 도 24를 참고하여 설명된 절차가 모드를 달리하여 반복적으로 수행될 수 있다. 동작 모드들의 운용에 대한 구체적인 예는 이하 도 26a 내지 도 27b를 참고하여 설명될 것이다.
도 25는 본 개시의 일 실시 예에 따른 RIS 관련 채널을 측정하는 절차의 예를 도시한다. 도 25는 UE의 동작 방법을 예시한다.
도 25를 참고하면, S2501 단계에서, UE는 수신되는 기준 신호들에 기반하여 온된 반사 표면들에 관련된 채널 값들을 추정한다. UE는 기준 신호들을 구성하는 시퀀스, 기준 신호들의 수신 값들에 기반하여 채널 값들을 추정할 수 있다. 이에 따라, UE는 모든 가용한 반사 표면들에 대한 채널 정보의 일부를 획득할 수 있다.
S2503 단계에서, UE는 오프된 적어도 하나의 반사 표면에 대한 채널 값 예측하기 위한 인공지능 모델을 결정한다. UE는 채널의 일부로부터 나머지를 예측하기 위한 인공지능 모델을 결정한다. 인공지능 모델은 복수의 훈련된 후보 인공지능 모델들 중 채널 환경 및 오프 패턴에 기반하여 선택될 수 있다. 인공지능 모델은 UE에 의해 선택되거나 또는 기지국에 의해 선택된 후 지시될 수 있다. 일 실시 예에 따라, 오토 인코더 기반의 인공지능 모델이 사용될 수 있다.
S2505 단계에서, UE는 인공지능 모델 이용하여 온된 반사 표면들에 관련된 채널 값들로부터 오프된 적어도 하나의 반사 표면에 관련된 채널 값을 예측한다. UE는 온된 반사 표면들에 관련된 채널 값들 및 오프된 적어도 하나의 반사 표면의 개수 및 위치를 인공지능 모델에 입력하고, 출력을 확인함으로써 오프된 적어도 하나의 반사 표면에 관련된 채널 값을 예측할 수 있다. 예를 들어, 오토 인코더에 기반한 인공지능 모델이 사용되는 경우, UE는 오코 인코더의 디코더를 이용하여 오프된 적어도 하나의 반사 표면에 관련된 채널 값을 예측할 수 있다. 이에 따라, UE는 모든 가용한 반사 표면들에 대한 채널 정보를 획득할 수 있다.
전술한 실시 예들에 따른 기지국 및 UE의 동작 절차들에서, 오프된 적어도 하나의 반사 표면에 관련된 채널 값은 UE에 의해 예측된다. 즉, UE가 인공지능 모델을 이용하여 온된 반사 표면들에 관련된 채널 값들로부터 오프된 적어도 하나의 반사 표면에 관련된 채널 값을 예측한다. 다른 실시 예에 따라, 오프된 적어도 하나의 반사 표면에 관련된 채널 값은 기지국에 의해 예측될 수 있다. 구체적으로, UE는 온된 반사 표면들에 관련된 채널 값들을 측정 및 피드백하고, 기지국은 피드백된 채널 값들로부터 오프된 적어도 하나의 반사 표면에 관련된 채널 값을 예측할 수 있다. 이 경우, 기지국에서 UE로 송신되는 제어 정보 중 인공지능 모델에 대한 정보, 오프 패턴에 대한 정보 중 적어도 하나가 생략될 수 있다.
이하, 본 개시는 동작 모드들이 조합된 2개의 예시적인 절차를 설명한다. 첫번째 예시적인 절차로서, 이하 도 26a 및 도 26b를 참고하여, 채널 환경을 측정하고, 측정된 채널 환경에 기반하여 선택된 일부 반사 표면들이 오프된 상태에서 RIS에 관련된 채널을 측정하는 절차가 설명된다. 또한, 이하 도 27a 및 도 27b를 참고하여, 채널의 시변성(time variance)을 고려한 절차가 설명된다. 후술되는 2개의 예시적인 절차들 외에도, 동작 모드들이 다른 조합으로 나열된 다양한 절차들이 가능함은 자명하다.
도 26a 및 도 26b는 본 개시의 일 실시 예에 따른 BS-RIS-UE 채널에 대한 측정 절차의 예를 도시한다. 도 26a 및 도 26b는 특정 UE를 타겟(target)으로 삼아 제안 기술이 적용된 경우의 절차와 신호 전달의 흐름도를 예시한다. 도 26a 및 도 26b는 기준 신호를 송신하는 기지국(2610)과 다른 별도의 제어기(2600)가 존재하는 경우를 예시한다.
도 26a 및 도 26b를 참고하면, 오프될 반사 표면들의 선택 및 보간/외삽 연산을 위한 인공지능 모델에 대하여 오프라인 학습이 수행된다. 제어기(2600)는 학습된 인공지능 모델을 이용하여 기지국(2610), RIS(2630), UE(2620)를 제어하고, 후술되는 절차를 수행할 수 있다. 여기서, 제어기(2600)는 기지국 또는 코어 망에 포함되는 네트워크 노드일 수 있다.
먼저, 채널 측정 모드#1이 진행된다. 초기에 UE의 채널 환경에 대한 정보가 없으므로, 오프될 반사 표면들의 개수와 위치를 정하는 데 제약이 있다. 따라서, 오프할 반사 표면들의 개수와 위치를 정하기 위한 채널 측정 결과를 획득하기 위해서, RIS(2630)는 채널 측정 모드#1에 따라 반사 표면들을 운용한다.
구체적으로, S2601 단계, S2603 단계, S2605 단계에서, 제어기(2600)는 채널 측정 모드#1 동안 오프할 반사 표면들의 개수 Mmeasure를 결정하고, 결정된 오프할 반사 표면들의 개수를 지시하는 정보를 기지국(2610), RIS(2630), UE(2620)에게 송신한다. 또한, 제어기(2600)는 오프할 반사 표면들의 위치를 지시하는 정보를 RIS(2630), UE(2620)에게 송신한다. 여기서, 채널 측정 모드#1 동안 오프할 반사 표면들의 위치는 채널의 상태와 무관하게 미리 정해진 패턴을 가질 수 있다.
S2607 단계에서, 기지국(2610)은 기준 신호들을 송신한다. 기준 신호들은 RIS(2630)의 적어도 하나의 반사 표면에 의해 반사된 후, UE(2620)에게 수신될 수 있다. 즉, 기준 신호들은 BS-RIS-UE 채널을 통과한다. 예를 들어, Mmeasure가 Mtotal인 경우, RIS(2630)는 모든 반사 표면들이 온된 상태에서 기준 신호들을 반사할 것이다. 하지만, Mmeasure가 Mtotal보다 작은 경우, RIS(2630)는 부분적으로 연속된 일부의 반사 표면들을 이용하거나, 전체 반사 표면들 중 사전에 약속된 형태로 배치된 반사 표면들을 이용하여 기준 신호들을 반사할 수 있다.
S2609 단계에서, UE(2620)는 BS-RIS-UE 채널을 추정하고, 채널 측정 정보를 생성한다. 다시 말해, UE(2620)는 RIS(2630)에서 반사된 신호들을 이용하여 채널 추정을 수행하고, 이후 일 실시 예에 따른 방식을 적용하기 위해서 필요한 채널 측정 정보를 획득한다. S2611 단계에서, UE(2620)는 채널 측정 결과를 제어기(2600)로 피드백한다. 이를 통해, 제어기(2600)는 UE(2620)의 채널 환경을 판단할 수 있다.
이후, 채널 측정 모드#2가 진행된다. S2613 단계에서, 제어기(2600)는 UE(2620)로부터 피드백된 채널 측정 결과를 이용하여 채널 상태 및 요구되는 성능에 적합한 오프될 반사 표면들의 개수 Moff를 결정하고, 오프될 반사 표면들의 위치, 보간/외삽의 학습 클래스(learning class)를 결정한다. 여기서, 학습 클래스는 학습 시 고려된 채널 환경을 의미하는 것으로, 지원 가능한 채널 환경들의 개수 만큼의 학습 클래스들이 정의될 수 있다. S2615 단계, S2617 단계, S2619 단계에서, 제어기(2600)는 오프할 반사 표면들의 개수를 지시하는 정보를 기지국(2610), RIS(2630), UE(2620)에게 송신한다. 또한, 제어기(2600)는 오프할 반사 표면들의 위치를 지시하는 정보를 RIS(2630), UE(2620)에게 송신한다. 또한, 제어기(2600)는 보간/외삽을 학습 클래스를 지시하는 정보를 UE(2620)에게 송신한다. 학습 클래스를 지시하는 정보에 기반하여, UE(2620)는 채널 환경에 적합한 인공지능 모델을 선택할 수 있다. 기지국(2610)은 오프되는 반사 표면들의 개수를 고려하여 기준 신호들을 전송해야 하기 때문에, Moff 정보를 필요로 할 수 있다. RIS(2630)는, 반사 표면들 각각의 상태를 설정하기 위해, 오프되는 반사 표면들의 개수 Moff, 오프되는 반사 표면들의 위치 정보를 필요로 할 수 있다. UE(2620)는 오프되는 반사 표면들의 개수 Moff, 오프되는 반사 표면들의 위치 정보, 및 보간/외삽에 사용될 인공지능 모델의 학습 클래스 정보를 필요로 할 수 있다. 다른 실시 예에 따라, 보간/외삽에 사용될 인공지능 모델의 학습 클래스 정보가 기지국(2610) 또는 RIS(2630)에게도 송신되거나, 또는 오프되는 반사 표면의 위치 정보가 기지국(2610)에게 송신될 수 있다. 전술한 S2613 단계 내지 S2619 단계는 'RIS 오프 반사 표면 선택 절차(procedure for RIS off reflecting surface selection)'로 지칭될 수 있다.
S2621 단계에서, 기지국(2610)은 기준 신호들을 송신한다. 기준 신호들은 RIS(2630)의 오프되는 반사 표면들을 제외한 나머지 반사 표면들에 의해 반사된 후, UE(2620)에게 수신될 수 있다. 즉, 기준 신호들은 BS-RIS-UE 채널을 통과한다.
S2623 단계에서, UE(2620)는 보간/외삽 연산을 수행함으로써 BS-RIS-UE 채널을 추정한다. 다시 말해, UE(2620)는 수신된 기준 신호들을 이용하여 오프된 반사 표면들의 신호를 추정한 후, 추정된 결과를 이용하여 채널 추정을 수행한다. 구체적으로, UE(2620)은 먼저 온된 반사 표면들에 관련된 채널 값들을 추정하고, 추정된 채널 값들로부터 오프된 반사 표면들에 관련된 채널 값들을 예측/추론한 후, 추정된 채널 값들 및 예측/추론된 채널 값들을 결합함으로써 전체 반사 표면들에 대한 채널을 결정할 수 있다. S2621 단계 및 S2623 단계는 '스위치-오프된 RIS 반사 표면들을 이용한 기준 신호 송신 및 채널 측정 절차(procedure for RS transmission and channel estimation with switched-off RIS reflecting surface)'로 지칭될 수 있다.
도 26a 및 도 26b를 참고한 설명에서, 하나의 UE(2620)에 대한 채널 측정이 예시되었다. 그러나, 서로 다른 UE들에 대하여 서로 다른 반사 표면들의 오프 패턴(예: 개수 및 위치)이 적용되는 경우, UE들 각각에 대해서, 기지국(2610)은 서로 다른 시간 구간들에서 기준 신호들을 전송하는 방식으로 전술한 절차를 수행할 수 있다.
전술한 실시 예에서, RIS의 반사 표면들 중 오프되는 적어도 하나의 반사 표면은 채널 환경에 기반하여 결정된다. 다른 실시 예에 따라, 채널의 시변(time-variance) 정도가 오프되는 적어도 하나의 반사 표면을 결정하기 위해 더 고려될 수 있다. 즉, 측정된 SNR(signal to noise ratio) 및 채널의 시변 정도를 고려하여, RIS는 채널 환경에 따라 반사 표면들 중 특정 일부를 오프할 수 있다. 측정된 SNR 및 채널의 시변 정도의 측정을 위해서, 1회 측정이 아닌 누적된 측정들이 필요할 수 있다. 하지만, 기지국의 모든 안테나들 및 RIS의 모든 반사 표면들을 고려한 모든 채널 계수들을 추정하기 위하여 전송된 기준 신호들로부터 SNR 및 채널의 시변 정도를 측정하는 것은 큰 오버헤드로 작용할 수 있다. 따라서, 큰 오버헤드 발생을 방지하기 위해, 데이터 전송을 위한 송신 빔포밍 가중치(TX beamforming weight) 및 RIS의 가중치를 적용한 상태에서 수신된 기준 신호들에 기반하여 SNR 및 신호 품질 변화(예: 채널의 시변 정도) 등을 측정하는 것이 고려될 수 있다. 다시 말해, 데이터 전송을 위해서 선택된 기지국의 빔포밍 가중치 및 RIS의 가중치를 적용된 상태에서 수신된 기준 신호들에 기반하여, UE는 SNR 및 시변 정도를 측정할 수 있다. 이후, 측정된 SNR 및 채널의 시변 정도에 기반하여 RIS의 반사 표면들 중 특정 일부를 오프하면, 초기 단계에서 RIS의 모든 반사 표면을 이용하여 채널 추정하고, 기지국의 송신 빔포밍 가중치 및 RIS의 가중치를 계산할 수 있다. 그리고, 기지국은, 계산된 기지국의 빔포밍 가중치 및 RIS의 반사 가중치들을 이용하여, 데이터 및 기준 신호들을 전송한다. 이때, UE는 수신되는 기준 신호들을 이용하여 SNR 및 채널의 시변 정도를 측정한다. SNR 및 시변 정보 및 도 26a 및 도 26b를 참고하여 설명된 절차를 이용하여 RIS의 반사 표면 중 오프할 반사 표면을 선택할 수 있다.
도 27a 및 도 27b는 본 개시의 일 실시 예에 따른 채널의 시변(time-variance) 특성을 고려한 채널 측정 절차의 예를 도시한다. 도 27a 및 도 27b는 SNR 및 시변 정보를 수집해 가면서 채널 환경에 따라서 RIS의 반사 표면의 특정 부분을 오프하는 절차 및 신호 흐름을 예시한다. 도 27a 및 도 27b는 기준 신호를 송신하는 기지국(2610)과 다른 별도의 제어기(2600)가 존재하는 경우를 예시한다.
도 27a 및 도 27b를 참고하면, 채널 측정 모드#3이 진행된다. 구체적으로, S2701 단계에서, 기지국(2710)은, RIS(2730)의 반사 표면들의 오프 없이, 기준 신호들을 송신한다. 이에 따라, RIS(2730)가 모든 반사 표면들을 이용하여 기지국에서 송신된 기준 신호들을 반사한다. S2703 단계에서, UE(2720)는 채널을 추정하고, 채널 측정 결과를 생성한다. 즉, UE(2720)는 수신된 기준 신호들을 이용하여 채널을 추정할 수 있다. 다시 말해, 채널 측정 모드#3에서 수신된 기준 신호들을 이용하여, UE(2720)는 RIS(2730)의 반사 표면들 중 오프될 반사 표면들을 선택하기 위한 채널 측정을 수행하고, 채널 측정 결과를 제어기(2700)로 피드백한다. S2621 단계 및 S2623 단계는 '스위치-오프된 RIS 반사 표면들 없는 기준 신호 송신 및 채널 측정 절차(procedure for RS transmission and channel estimation with no switched-off RIS reflecting surface)'로 지칭될 수 있다.
S2705 단계에서, UE(2720)는 채널 측정 결과를 제어기(2700)에게 송신한다. S2707 단계에서, 추정된 채널에 기반하여, 기지국(2710)의 빔포밍 가중치 및 RIS(2730)의 반사 가중치가 갱신(update)된다. 일 실시 예에 따라, 빔포밍 가중치 및 반사 가중치는 제어기(2700)에 의해 갱신될 수 있다. 일 실시 예에 따라, 빔포밍 가중치 및 반사 가중치는 기지국(1710)에 의해 갱신될 수 있다. 이 경우, 제어기(2700)은 UE(2720)로부터 피드백된 채널 측정 결과를 기지국(1710)에게 송신하고, 기지국(1710)은 빔포밍 가중치 및 반사 가중치를 갱신할 수 있다. S2701 단계 내지 S2707 단계는 '채널 추정, 기지국 빔포밍 가중치 및 RIS 반사 가중치 갱신 및 채널 측정 절차(procedure for channel estimation, BS beamforming weight and RIS reflecting weight update and channel measurement)'라 지칭될 수 있다.
이후, 채널 측정 모드#4가 진행된다. S2709 단계에서, 기지국(2710)은 데이터 및 기준 신호들을 송신한다. 다시 말해, 기지국(2710)은, BS-RIS-UE 채널을 통해, 갱신된 기지국(2710)의 빔포밍 가중치 및 RIS(2730)의 반사 가중치를 이용하여 데이터 및 기준 신호들을 송신할 수 있다. S2711 단계에서, UE(2720)는 수신된 기준 신호들을 이용하여 SNR 및 채널의 시변 정도를 측정한다. S2713 단계 및 S2715 단계에서, 반복적으로, 기지국(2710)은 갱신된 기지국(2710)의 빔포밍 가중치 및 RIS(2730)의 반사 가중치를 이용하여 데이터 및 기준 신호들을 송신하고, UE(2720)는 수신된 기준 신호들을 이용하여 SNR 및 채널의 시변 정도를 측정한다. 다른 실시 예에 따라, S2713 단계 및 S2715 단계는 생략되거나, 또는 다른 UE에 대하여 수행될 수 있다. S2717 단계에서, UE(2720)는 측정된 SNR과 채널의 시변 정도에 대한 정보를 제어기(2700)로 피드백한다. S2709 단계 내지 S2717 단계는 '갱신된 기지국 빔포밍 가중치 및 갱신된 RIS 반사 가중치를 이용한 데이터 및 기준 신호 송신 절차(procedure for data and RS transmission using updated BS beamforming weight and updated RIS reflecting weight)'라 지칭될 수 있다.
이후, 필요한 경우, S2719 단계 및 S2721 단계에서, 채널 측정 모드#3 및 채널 측정 모드#4가 추가로 수행될 수 있다. 또한, 필요한 경우, S2723 단계에서, 도 26a 및 도 26b의 채널 측정 모드#1에 따른 채널 측정 절차가 추가로 수행될 수 있다. 그리고, S2725 단계에서, 도 26a 및 도 26b를 참고하여 설명된 RIS의 오프되는 반사 표면의 선택 동작과 유사하게, 채널 측정 모드#2에 따라, 제어기(2700)는 채널 측정 모드#4 동안 수집된 채널 측정 결과, SNR 및 채널의 시변 정도에 대한 정보를 이용하여 RIS(2730)에서 오프될 반사 표면들의 개수 및 위치, 보간/외삽의 학습 클래스를 결정하고, 결정된 결과를 지시하는 정보를 기지국, RIS, UE에게 송신할 수 있다.
OFDM(orthogonal frequency division multiplexing) 기반 시스템의 경우, 기지국은 복수의 안테나들에 대응하는 기준 신호들을 서로 다른 주파수 자원들을 통해 송신함으로써, 복수의 안테나들에 대해 동시에 기준 신호들을 전송할 수 있다. 또한, 기지국은 서로 다른 UE들을 위한 기준 신호들을 서로 다른 주파수 자원 또는 심볼 전송 시간에 송신할 수 있다.
오프라인 학습 시 3GPP(3rd Generation Partnership Project)의 TR(technical report) 38.901에 정의된 채널 모델들을 고려할 경우, CDL(clustered delay line)-A, CDL-B, CDL-C, CDL-D 각각의 모델에 대해서 개별적으로 학습이 수행될 수 있다, 또는, CDL-A, CDL-B, CDL-C, CDL-D 모두를 고려한 학습이 수행될 수도 있다. 학습의 결과는 특정 UE의 채널 상황에 따라 적용될 수도 있으나, 특정 영역 또는 셀의 채널 상황에 따라 적용될 수도 있다. 다시 말해, 특정 UE를 대상(target)으로 제안된 기술이 적용될 수도 있지만, 다수의 특정 영역들 및 셀에 포함된 UE들에게 제안된 기술이 적용될 수도 있다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시 예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(3rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시 예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THz 통신 시스템에도 적용될 수 있다.
추가적으로, 본 개시의 실시 예들은 자유 주행 차량, 드론 등 다양한 애플리케이션에도 적용될 수 있다.

Claims (15)

  1. 무선 통신 시스템에서 UE(user equipment)의 동작 방법에 있어서,
    기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하는 단계;
    상기 채널 측정을 위한 기준 신호들을 수신하는 단계;
    상기 기준 신호들을 이용하여 채널 정보를 생성하는 단계; 및
    상기 채널 정보를 상기 기지국에게 송신하는 단계를 포함하며,
    상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며,
    상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 채널 정보는, 상기 반사 표면들 중 일부에 관련된 채널 값들 및 상기 반사 표면들 중 나머지에 관련된 채널 값들을 포함하는 방법.
  3. 청구항 2에 있어서,
    상기 나머지에 관련된 채널 값들은, 학습된 인공지능 모델을 이용하여 상기 일부에 관련된 채널 값들로부터 결정되는 방법.
  4. 청구항 3에 있어서,
    상기 학습된 인공지능 모델은, 오토-인코더(auto-encoder)에 기반한 딥 러닝 모델을 포함하고,
    상기 오토-인코더는, 반사 표면들 각각의 온-오프(on-off)를 표현하는 출력을 가지는 인코더를 포함하는 방법.
  5. 청구항 1에 있어서,
    상기 설정 정보는, 상기 채널 정보를 생성하기 위해 사용되는 인공지능 모델의 학습 클래스(learning class)를 지시하는 정보를 더 포함하는 방법.
  6. 청구항 1에 있어서,
    상기 기지국으로부터 다른 기준 신호들을 수신하는 단계;
    상기 다른 기준 신호들을 이용하여 상기 반사 표면들 중 오프되는 적어도 하나의 반사 표면을 선택하기 위한 채널 측정을 수행하는 단계; 및
    상기 채널 측정의 결과를 상기 기지국으로 송신하는 단계를 더 포함하는 방법.
  7. 청구항 1에 있어서,
    상기 기지국으로부터 다른 기준 신호들을 수신하는 단계;
    상기 다른 기준 신호들을 이용하여 채널의 시변 정도를 측정하는 단계; 및
    상기 채널의 시변 정도를 지시하는 정보를 상기 기지국으로 송신하는 단계를 더 포함하는 방법.
  8. 무선 통신 시스템에서 기지국의 동작 방법에 있어서,
    UE(user equipment)에게 채널 측정에 관련된 설정(configuration) 정보를 송신하는 단계;
    상기 채널 측정을 위한 기준 신호들을 송신하는 단계;
    상기 기준 신호들을 이용하여 생성된 채널 정보를 수신하는 단계를 포함하며,
    상기 기준 신호들은, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며,
    상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함하는 방법.
  9. 청구항 8에 있어서,
    상기 채널 정보는, 상기 반사 표면들 중 일부에 관련된 채널 값들 및 상기 반사 표면들 중 나머지에 관련된 채널 값들을 포함하는 방법.
  10. 청구항 8에 있어서,
    상기 설정 정보는, 상기 채널 정보를 생성하기 위해 사용되는 인공지능 모델의 학습 클래스(learning class)를 지시하는 정보를 더 포함하는 방법.
  11. 청구항 10에 있어서,
    상기 인공지능 모델은, 오토-인코더(auto-encoder)에 기반한 딥 러닝 모델을 포함하고,
    상기 오토-인코더는, 반사 표면들 각각의 온-오프(on-off)를 표현하는 출력을 가지는 인코더를 포함하는 방법.
  12. 무선 통신 시스템에서 UE(user equipment)에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는,
    기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하고,
    상기 채널 측정을 위한 기준 신호들을 수신하고,
    상기 기준 신호들을 이용하여 채널 정보를 생성하고,
    상기 채널 정보를 상기 기지국에게 송신하도록 제어하며,
    상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며,
    상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함하는 UE.
  13. 무선 통신 시스템에서 기지국에 있어서,
    송수신기; 및
    상기 송수신기와 연결된 프로세서를 포함하며,
    상기 프로세서는,
    UE(user equipment)에게 채널 측정에 관련된 설정(configuration) 정보를 송신하고,
    상기 채널 측정을 위한 기준 신호들을 송신하고,
    상기 기준 신호들을 이용하여 생성된 채널 정보를 수신하도록 제어하며,
    상기 기준 신호들은, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 UE에 수신되며,
    상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함하는 기지국.
  14. 통신 장치에 있어서,
    적어도 하나의 프로세서;
    상기 적어도 하나의 프로세서와 연결되며, 상기 적어도 하나의 프로세서에 의해 실행됨에 따라 동작들을 지시하는 명령어를 저장하는 적어도 하나의 컴퓨터 메모리를 포함하며,
    상기 동작들은,
    기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하는 단계;
    상기 채널 측정을 위한 기준 신호들을 수신하는 단계;
    상기 기준 신호들을 이용하여 채널 정보를 생성하는 단계; 및
    상기 채널 정보를 상기 기지국에게 송신하는 단계를 포함하며,
    상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 통신 장치에 수신되며,
    상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함하는 통신 장치.
  15. 적어도 하나의 명령어(instructions)을 저장하는 비-일시적인(non-transitory) 컴퓨터 판독 가능 매체(computer-readable medium)에 있어서,
    프로세서에 의해 실행 가능한(executable) 상기 적어도 하나의 명령어를 포함하며,
    상기 적어도 하나의 명령어는, 장치가,
    기지국으로부터 채널 측정에 관련된 설정(configuration) 정보를 수신하고,
    상기 채널 측정을 위한 기준 신호들을 수신하고,
    상기 기준 신호들을 이용하여 채널 정보를 생성하고,
    상기 채널 정보를 상기 기지국에게 송신하도록 제어하며,
    상기 기준 신호들은, 상기 기지국에서 송신되고, RIS(reflecting intelligent surface)에 포함되는 반사 표면(reflecting surface)들 중 일부에 반사된 후 상기 장치에 수신되며,
    상기 설정 정보는, 상기 반사 표면들 중 오프(off)되는 적어도 하나의 반사 표면의 개수 또는 위치를 지시하는 정보를 포함하는 비-일시적인 컴퓨터 판독 가능 매체.
PCT/KR2022/009773 2022-07-06 2022-07-06 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법 WO2024010112A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/009773 WO2024010112A1 (ko) 2022-07-06 2022-07-06 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2022/009773 WO2024010112A1 (ko) 2022-07-06 2022-07-06 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법

Publications (1)

Publication Number Publication Date
WO2024010112A1 true WO2024010112A1 (ko) 2024-01-11

Family

ID=89453560

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/009773 WO2024010112A1 (ko) 2022-07-06 2022-07-06 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법

Country Status (1)

Country Link
WO (1) WO2024010112A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220014935A1 (en) * 2020-07-10 2022-01-13 Huawei Technologies Co., Ltd. Systems and methods using configurable surfaces for wireless communication
KR20220064154A (ko) * 2020-11-11 2022-05-18 연세대학교 산학협력단 지능형 반사 표면을 이용한 무선 전력 전송 시스템의 채널 추정 장치 및 방법
WO2022133958A1 (en) * 2020-12-24 2022-06-30 Huawei Technologies Co., Ltd. Systems and methods for use of reflective intelligent surfaces in communication systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220014935A1 (en) * 2020-07-10 2022-01-13 Huawei Technologies Co., Ltd. Systems and methods using configurable surfaces for wireless communication
KR20220064154A (ko) * 2020-11-11 2022-05-18 연세대학교 산학협력단 지능형 반사 표면을 이용한 무선 전력 전송 시스템의 채널 추정 장치 및 방법
WO2022133958A1 (en) * 2020-12-24 2022-06-30 Huawei Technologies Co., Ltd. Systems and methods for use of reflective intelligent surfaces in communication systems

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ALAWAD MOHAMAD A.; HAMDAN MUTASEM Q.; HAMDI KHAIRI A.: "End-to-End Deep Learning IRS-assisted Communications Systems", 2021 IEEE 94TH VEHICULAR TECHNOLOGY CONFERENCE (VTC2021-FALL), IEEE, 27 September 2021 (2021-09-27), pages 1 - 6, XP034041399, DOI: 10.1109/VTC2021-Fall52928.2021.9625398 *
LIN SHAOE; ZHENG BEIXIONG; ALEXANDROPOULOS GEORGE C.; WEN MIAOWEN; RENZO MARCO DI; CHEN FANGJIONG: "Reconfigurable Intelligent Surfaces With Reflection Pattern Modulation: Beamforming Design and Performance Analysis", IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS, IEEE SERVICE CENTER, PISCATAWAY, NJ., US, vol. 20, no. 2, 8 October 2020 (2020-10-08), US , pages 741 - 754, XP011837317, ISSN: 1536-1276, DOI: 10.1109/TWC.2020.3028198 *

Similar Documents

Publication Publication Date Title
WO2022250221A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2022050468A1 (ko) 무선 통신 시스템에서 연합학습을 수행하는 방법 및 이를 위한 장치
WO2022039295A1 (ko) 무선 통신 시스템에서 하향링크를 전처리하는 방법 및 이를 위한 장치
WO2022092859A1 (ko) 무선 통신 시스템에서 스플릿 포인트 조정을 위한 장치 및 방법
WO2024071459A1 (ko) 무선 통신 시스템에서 신호 송수신 방법 및 장치
WO2023027311A1 (ko) 무선 통신 시스템에서 핸드오버를 수행하기 위한 장치 및 방법
WO2024010112A1 (ko) 무선 통신 시스템에서 채널을 추정하기 위한 장치 및 방법
WO2022050565A1 (ko) 무선 통신 시스템에서 핸드오버를 위한 장치 및 방법
WO2023008596A1 (ko) 무선 통신 시스템에서 통화 서비스의 폴백을 수행하기 위한 장치 및 방법
WO2024019184A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 학습을 수행하기 위한 장치 및 방법
WO2024122667A1 (ko) 무선 통신 시스템에서 앙상블 모델 기반의 수신기에 대한 학습을 수행하기 위한 장치 및 방법
WO2024063169A1 (ko) 무선 통신 시스템에서 채널을 측정하기 위한 장치 및 방법
WO2022231084A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2024034707A1 (ko) 무선 통신 시스템에서 수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법
WO2023022251A1 (ko) 무선 통신 시스템에서 신호 전송 방법 및 장치
WO2024071460A1 (ko) 무선 통신 시스템에서 가변 전송률로 채널 상태 정보를 피드백하기 위한 장치 및 방법
WO2022260189A1 (ko) 무선 통신 시스템에서 신호를 송수신하는 방법 및 장치
WO2024150846A1 (ko) 무선 통신 시스템에서 신호를 송수신하기 위한 방법 및 장치
WO2024122694A1 (ko) 무선 통신 시스템에서 수신기에 대한 학습을 수행하기 위한 장치 및 방법
WO2024117296A1 (ko) 무선 통신 시스템에서 조절 가능한 파라미터를 가지는 송수신기를 이용하여 신호를 송수신하기 위한 방법 및 장치
WO2024154839A1 (ko) 무선 통신 시스템에서 다중 그룹 멀티캐스트를 위한 장치 및 방법
WO2023224148A1 (ko) 무선 통신 시스템에서 지능형 반사 평면에 관련된 채널을 추정하기 위한 장치 및 방법
WO2024150861A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 온라인 학습을 수행하기 위한 장치 및 방법
WO2022260200A1 (ko) 무선 통신 시스템에서 배터리 효율을 고려하여 핸드오버를 수행하기 위한 장치 및 방법
WO2023113282A1 (ko) 무선 통신 시스템에서 송수신기 모델에 대한 온라인 학습을 수행하기 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: 22950338

Country of ref document: EP

Kind code of ref document: A1