[go: up one dir, main page]

WO2021112360A1 - 무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치 - Google Patents

무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치 Download PDF

Info

Publication number
WO2021112360A1
WO2021112360A1 PCT/KR2020/008996 KR2020008996W WO2021112360A1 WO 2021112360 A1 WO2021112360 A1 WO 2021112360A1 KR 2020008996 W KR2020008996 W KR 2020008996W WO 2021112360 A1 WO2021112360 A1 WO 2021112360A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
terminal
information
base station
channel
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2020/008996
Other languages
English (en)
French (fr)
Inventor
김일환
이종구
정익주
홍성룡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Electronics Inc
Original Assignee
LG Electronics Inc
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 LG Electronics Inc filed Critical LG Electronics Inc
Priority to US17/776,510 priority Critical patent/US12506552B2/en
Priority to KR1020227007969A priority patent/KR102727494B1/ko
Publication of WO2021112360A1 publication Critical patent/WO2021112360A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W60/00—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration
    • H04W60/04—Affiliation to network, e.g. registration; Terminating affiliation with the network, e.g. de-registration using triggered events
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/02—Processing of mobility data, e.g. registration information at HLR [Home Location Register] or VLR [Visitor Location Register]; Transfer of mobility data, e.g. between HLR, VLR or external networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • 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
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals

Definitions

  • the following description relates to a wireless communication system, and to a method and apparatus for estimating a channel in a wireless communication system.
  • a wireless access system is a multiple access system capable of supporting communication with multiple users by sharing available system resources (bandwidth, transmission power, etc.).
  • Examples of the multiple access system include a code division multiple access (CDMA) system, a frequency division multiple access (FDMA) system, a time division multiple access (TDMA) system, an orthogonal frequency division multiple access (OFDMA) system, and a single carrier frequency (SC-FDMA) system. division multiple access) systems.
  • CDMA code division multiple access
  • FDMA frequency division multiple access
  • TDMA time division multiple access
  • OFDMA orthogonal frequency division multiple access
  • SC-FDMA single carrier frequency division multiple access
  • an enhanced mobile broadband (eMBB) communication technology has been proposed compared to the existing radio access technology (RAT).
  • eMBB enhanced mobile broadband
  • RAT radio access technology
  • UE reliability and latency sensitive services/user equipment
  • mMTC massive machine type communications
  • the present disclosure relates to a method and apparatus for more efficiently estimating a channel in a wireless communication system.
  • the present disclosure relates to a method and apparatus for estimating a channel based on machine learning in a wireless communication system.
  • the present disclosure relates to a method and apparatus for supporting machine learning for channel estimation in a wireless communication system.
  • a method of operating a terminal in a wireless communication system includes transmitting a first message including information related to learning, receiving a second message including configuration information for learning , transmitting an uplink reference signal, and transmitting channel information related to a downlink channel measured based on the downlink reference signal.
  • a method of operating a base station in a wireless communication system includes receiving a first message including information related to learning from a terminal, and a second message including configuration information for learning to the terminal. transmitting, receiving an uplink reference signal from the terminal, receiving first channel information related to a downlink channel measured based on the downlink reference signal from the terminal, and the first channel information and The method may include performing learning on a machine learning model for estimating a downlink channel using second channel information measured based on an uplink reference signal.
  • a terminal in a wireless communication system may include a transceiver and a processor connected to the transceiver.
  • the processor transmits a first message including information related to learning, receives a second message including configuration information for learning, transmits an uplink reference signal, and receives a downlink reference signal It is possible to control to transmit channel information related to the measured downlink channel based on the measured downlink channel.
  • a base station in a wireless communication system may include a transceiver and a processor connected to the transceiver.
  • the processor receives a first message including information related to learning from the terminal, transmits a second message including configuration information for learning to the terminal, and receives an uplink reference signal from the terminal, , receive first channel information related to a downlink channel measured based on a downlink reference signal from the terminal, and downlink using the first channel information and second channel information measured based on the uplink reference signal It can be controlled to perform training on a machine learning model for estimating a link channel.
  • training of a machine learning model for channel estimation during operation in a wireless communication system can be effectively performed.
  • Effects obtainable in the embodiments of the present disclosure are not limited to the above-mentioned effects, and other effects not mentioned are the technical fields to which the technical configuration of the present disclosure is applied from the description of the embodiments of the present disclosure below. It can be clearly derived and understood by those of ordinary skill in the art. That is, unintended effects of implementing the configuration described in the present disclosure may also be derived by those of ordinary skill in the art from the embodiments of the present disclosure.
  • FIG. 1 is a diagram illustrating an example of a communication system applied to the present disclosure.
  • FIG. 2 is a diagram illustrating an example of a wireless device that can be applied to the present disclosure.
  • FIG. 3 is a diagram illustrating another example of a wireless device applied to the present disclosure.
  • FIG. 4 is a diagram illustrating an example of a portable device applied to the present disclosure.
  • FIG. 5 is a diagram illustrating an example of a vehicle or an autonomous driving vehicle applied to the present disclosure.
  • FIG. 6 is a diagram illustrating an example of a movable body applied to the present disclosure.
  • FIG. 7 is a diagram illustrating an example of an XR device applied to the present disclosure.
  • FIG. 8 is a diagram illustrating an example of a robot applied to the present disclosure.
  • AI artificial intelligence
  • FIG. 10 is a diagram illustrating physical channels applied to the present disclosure and a signal transmission method using the same.
  • FIG. 11 is a diagram illustrating a control plane and a user plane structure of a radio interface protocol applied to the present disclosure.
  • FIG. 12 is a diagram illustrating a method of processing a transmission signal applied to the present disclosure.
  • FIG. 13 is a diagram illustrating a structure of a radio frame applicable to the present disclosure.
  • FIG. 14 is a diagram illustrating a slot structure applicable to the present disclosure.
  • 15 is a diagram illustrating an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • 16 is a diagram illustrating an electromagnetic spectrum applicable to the present disclosure.
  • 17 is a diagram illustrating a THz communication method applicable to the present disclosure.
  • FIG. 18 is a diagram illustrating a THz wireless communication transceiver applicable to the present disclosure.
  • FIG. 19 is a diagram illustrating a THz signal generation method applicable to the present disclosure.
  • 20 is a diagram illustrating a wireless communication transceiver applicable to the present disclosure.
  • 21 is a diagram illustrating a structure of a transmitter applicable to the present disclosure.
  • 22 is a diagram illustrating a modulator structure applicable to the present disclosure.
  • FIG. 23 is a diagram illustrating a structure of a perceptron included in an artificial neural network applicable to the present disclosure.
  • 24 is a diagram illustrating an artificial neural network structure applicable to the present disclosure.
  • 25 is a diagram illustrating a deep neural network applicable to the present disclosure.
  • 26 is a diagram illustrating a convolutional neural network applicable to the present disclosure.
  • FIG. 27 is a diagram illustrating a filter operation of a convolutional neural network applicable to the present disclosure.
  • FIG. 28 is a diagram illustrating a neural network structure in which a cyclic loop applicable to the present disclosure exists.
  • 29 is a diagram illustrating an operation structure of a recurrent neural network applicable to the present disclosure.
  • FIG. 30 is a diagram illustrating a concept of a system for performing machine learning-based channel estimation applicable to the present disclosure.
  • 31 is a diagram illustrating learning and inference for a machine learning model applicable to the present disclosure.
  • 32 is a diagram illustrating a learning procedure of a machine learning model applicable to the present disclosure.
  • 33 is a diagram illustrating an embodiment of a procedure for supporting learning in a terminal applicable to the present disclosure.
  • 34 is a diagram illustrating an embodiment of a procedure for performing learning in a base station applicable to the present disclosure.
  • 35 is a diagram illustrating an embodiment of signal exchange for performing learning applicable to the present disclosure.
  • 36 is a diagram illustrating an embodiment of a procedure for controlling a learning mode in a terminal applicable to the present disclosure.
  • FIG. 37 is a diagram illustrating another embodiment of a procedure for controlling a learning mode in a terminal applicable to the present disclosure.
  • 38 is a diagram illustrating an embodiment of a procedure for controlling the progress of learning in a base station applicable to the present disclosure.
  • 39 is a diagram illustrating another embodiment of signal exchange between a base station and a terminal for learning applicable to the present disclosure.
  • 40 is a diagram illustrating an example of classification of a plurality of machine learning models applicable to the present disclosure.
  • each component or feature may be considered optional unless explicitly stated otherwise.
  • Each component or feature may be implemented in a form that is not combined with other components or features.
  • some components and/or features may be combined to configure an embodiment of the present disclosure.
  • the order of operations described in embodiments of the present disclosure may be changed. Some configurations or features of one embodiment may be included in other embodiments, or may be replaced with corresponding configurations or features of other embodiments.
  • the base station has a meaning as a terminal node of a network that directly communicates with the mobile station.
  • a specific operation described as being performed by the base station in this document may be performed by an upper node of the base station in some cases.
  • the 'base station' is a term such as a fixed station, a Node B, an eNB (eNode B), a gNB (gNode B), an ng-eNB, an advanced base station (ABS) or an access point (access point).
  • eNode B eNode B
  • gNode B gNode B
  • ng-eNB ng-eNB
  • ABS advanced base station
  • access point access point
  • a terminal includes a user equipment (UE), a mobile station (MS), a subscriber station (SS), a mobile subscriber station (MSS), It may be replaced with terms such as a mobile terminal or an advanced mobile station (AMS).
  • UE user equipment
  • MS mobile station
  • SS subscriber station
  • MSS mobile subscriber station
  • AMS advanced mobile station
  • a transmitting end refers to a fixed and/or mobile node that provides a data service or a voice service
  • a receiving end refers to a fixed and/or mobile node that receives a data service or a voice service.
  • the mobile station may be the transmitting end and the base station may be the receiving end.
  • the mobile station may be the receiving end, and the base station may be the transmitting end.
  • Embodiments of the present disclosure IEEE 802.xx system, (3rd Generation Partnership Project) 3GPP access system, which are wireless systems, 3GPP LTE (Long Term Evolution) systems, 3GPP 5G (5 th generation) NR (New Radio) system, 3GPP2 system and It may be supported by standard documents disclosed in at least one of 3GPP TS (technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 and 3GPP TS 38.331 documents. can be supported
  • embodiments of the present disclosure may be applied to other wireless access systems, and are not limited to the above-described system.
  • it may be applicable to a system applied after the 3GPP 5G NR system, and is not limited to a specific system.
  • CDMA code division multiple access
  • FDMA frequency division multiple access
  • TDMA time division multiple access
  • OFDMA orthogonal frequency division multiple access
  • SC-FDMA single carrier frequency division multiple access
  • LTE may mean 3GPP TS 36.xxx Release 8 or later technology.
  • 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" means standard document detail number.
  • LTE/NR/6G may be collectively referred to as a 3GPP system.
  • FIG. 1 is a diagram illustrating an example of a communication system applied to the present disclosure.
  • a communication system 100 applied to the present disclosure includes a wireless device, a base station, and a network.
  • the wireless device means a device that performs communication using a wireless access technology (eg, 5G NR, LTE), and may be referred to as a communication/wireless/5G device.
  • the wireless device may include a robot 100a, a vehicle 100b-1, 100b-2, an extended reality (XR) device 100c, a hand-held device 100d, and a home appliance. appliance) 100e, an Internet of Things (IoT) device 100f, and an artificial intelligence (AI) device/server 100g.
  • a wireless access technology eg, 5G NR, LTE
  • XR extended reality
  • IoT Internet of Things
  • AI artificial intelligence
  • the vehicle may include a vehicle equipped with a wireless communication function, an autonomous driving vehicle, a vehicle capable of performing inter-vehicle communication, and the like.
  • the vehicles 100b-1 and 100b-2 may include an unmanned aerial vehicle (UAV) (eg, a drone).
  • UAV unmanned aerial vehicle
  • the XR device 100c includes augmented reality (AR)/virtual reality (VR)/mixed reality (MR) devices, and includes a head-mounted device (HMD), a head-up display (HUD) provided in a vehicle, a television, It may be implemented in the form of a smartphone, a computer, a wearable device, a home appliance, a digital signage, a vehicle, a robot, and the like.
  • the portable device 100d may include a smart phone, a smart pad, a wearable device (eg, a smart watch, smart glasses), a computer (eg, a laptop computer), and the like.
  • the home appliance 100e may include a TV, a refrigerator, a washing machine, and the like.
  • the IoT device 100f may include a sensor, a smart meter, and the like.
  • the base station 120 and the network 130 may be implemented as a wireless device, and a specific wireless device 120a may operate as a base station/network node to other wireless devices.
  • the wireless devices 100a to 100f may be connected to the network 130 through the base station 120 .
  • AI technology may be applied to the wireless devices 100a to 100f , and the wireless devices 100a to 100f may be connected to the AI server 100g through the network 130 .
  • the network 130 may be configured using a 3G network, a 4G (eg, LTE) network, or a 5G (eg, NR) network.
  • the wireless devices 100a to 100f may communicate with each other through the base station 120/network 130, but communicate directly without passing through the base station 120/network 130 (eg, sidelink communication) You may.
  • the vehicles 100b-1 and 100b-2 may perform direct communication (eg, vehicle to vehicle (V2V)/vehicle to everything (V2X) communication).
  • the IoT device 100f eg, a sensor
  • Wireless communication/connection 150a, 150b, 150c may be performed between the wireless devices 100a to 100f/base station 120 and the base station 120/base station 120 .
  • wireless communication/connection includes uplink/downlink communication 150a and sidelink communication 150b (or D2D communication), and communication between base stations 150c (eg, relay, integrated access backhaul (IAB)). This may be accomplished through a wireless access technology (eg, 5G NR).
  • a wireless access technology eg, 5G NR
  • the wireless device and the base station/wireless device and the base station and the base station may transmit/receive wireless signals to each other.
  • the wireless communication/connection 150a , 150b , 150c may transmit/receive signals through various physical channels.
  • various configuration information setting processes for transmission/reception of wireless signals various signal processing processes (eg, channel encoding/decoding, modulation/demodulation, resource mapping/demapping, etc.) , at least a part of a resource allocation process, etc. may be performed.
  • various signal processing processes eg, channel encoding/decoding, modulation/demodulation, resource mapping/demapping, etc.
  • at least a part of a resource allocation process, etc. may be performed.
  • FIG. 2 is a diagram illustrating an example of a wireless device that can be applied to the present disclosure.
  • a first wireless device 200a and a second wireless device 200b may transmit/receive wireless signals through various wireless access technologies (eg, LTE, NR).
  • ⁇ first wireless device 200a, second wireless device 200b ⁇ is ⁇ wireless device 100x, base station 120 ⁇ of FIG. 1 and/or ⁇ wireless device 100x, wireless device 100x) ⁇ can be matched.
  • the first wireless device 200a includes one or more processors 202a and one or more memories 204a, and may further include one or more transceivers 206a and/or one or more antennas 208a.
  • the processor 202a controls the memory 204a and/or the transceiver 206a and may be configured to implement the descriptions, functions, procedures, suggestions, methods, and/or operational flow charts disclosed herein.
  • the processor 202a may process information in the memory 204a to generate first information/signal, and then transmit a wireless signal including the first information/signal through the transceiver 206a.
  • the processor 202a may receive the radio signal including the second information/signal through the transceiver 206a, and then store the information obtained from the signal processing of the second information/signal in the memory 204a.
  • the memory 204a may be connected to the processor 202a and may store various information related to the operation of the processor 202a.
  • the memory 204a may provide instructions for performing some or all of the processes controlled by the processor 202a, or for performing the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein. may store software code including
  • the processor 202a and the memory 204a may be part of a communication modem/circuit/chip designed to implement a wireless communication technology (eg, LTE, NR).
  • a wireless communication technology eg, LTE, NR
  • the transceiver 206a may be coupled to the processor 202a and may transmit and/or receive wireless signals via one or more antennas 208a.
  • the transceiver 206a may include a transmitter and/or a receiver.
  • the transceiver 206a may be used interchangeably with a radio frequency (RF) unit.
  • RF radio frequency
  • a wireless device may refer to a communication modem/circuit/chip.
  • the second wireless device 200b includes one or more processors 202b, one or more memories 204b, and may further include one or more transceivers 206b and/or one or more antennas 208b.
  • the processor 202b controls the memory 204b and/or the transceiver 206b, and may be configured to implement the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein.
  • the processor 202b may process the information in the memory 204b to generate third information/signal, and then transmit a wireless signal including the third information/signal through the transceiver 206b.
  • the processor 202b may receive the radio signal including the fourth information/signal through the transceiver 206b, and then store information obtained from signal processing of the fourth information/signal in the memory 204b.
  • the memory 204b may be connected to the processor 202b and may store various information related to the operation of the processor 202b.
  • the memory 204b may provide instructions for performing some or all of the processes controlled by the processor 202b, or for performing the descriptions, functions, procedures, suggestions, methods, and/or operational flowcharts disclosed herein. may store software code including
  • the processor 202b and the memory 204b may be part of a communication modem/circuit/chip designed to implement a wireless communication technology (eg, LTE, NR).
  • a wireless communication technology eg, LTE, NR
  • the transceiver 206b may be coupled to the processor 202b and may transmit and/or receive wireless signals via one or more antennas 208b.
  • Transceiver 206b may include a transmitter and/or receiver.
  • Transceiver 206b may be used interchangeably with an RF unit.
  • a wireless device may refer to a communication modem/circuit/chip.
  • one or more protocol layers may be implemented by one or more processors 202a, 202b.
  • one or more processors (202a, 202b) is one or more layers (eg, PHY (physical), MAC (media access control), RLC (radio link control), PDCP (packet data convergence protocol), RRC (radio resource) control) and a functional layer such as service data adaptation protocol (SDAP)).
  • PHY physical
  • MAC media access control
  • RLC radio link control
  • PDCP packet data convergence protocol
  • RRC radio resource control
  • SDAP service data adaptation protocol
  • the one or more processors 202a, 202b may be configured to process one or more Protocol Data Units (PDUs) and/or one or more Service Data Units (SDUs) according to the description, function, procedure, proposal, method and/or operational flowcharts disclosed herein. can create One or more processors 202a, 202b may generate messages, control information, data, or information according to the description, function, procedure, proposal, method, and/or flow charts disclosed herein.
  • the one or more processors 202a, 202b generate a signal (eg, a baseband signal) including PDUs, SDUs, messages, control information, data or information according to the functions, procedures, proposals and/or methods disclosed in this document.
  • One or more processors 202a, 202b may receive signals (eg, baseband signals) from one or more transceivers 206a, 206b, and the descriptions, functions, procedures, proposals, methods, and/or flow charts disclosed herein. PDUs, SDUs, messages, control information, data, or information may be acquired according to the above.
  • One or more processors 202a, 202b may be referred to as controllers, microcontrollers, microprocessors, or microcomputers.
  • One or more processors 202a, 202b may be implemented by hardware, firmware, software, or a combination thereof.
  • ASICs application specific integrated circuits
  • DSPs digital signal processors
  • DSPDs digital signal processing devices
  • PLDs programmable logic devices
  • FPGAs field programmable gate arrays
  • the descriptions, functions, procedures, suggestions, methods, and/or flowcharts of operations disclosed in this document may be implemented using firmware or software, which may be implemented to include modules, procedures, functions, and the like.
  • the descriptions, functions, procedures, proposals, methods, and/or flow charts disclosed in this document may contain firmware or software configured to perform one or more processors 202a, 202b, or stored in one or more memories 204a, 204b. It may be driven by the above processors 202a and 202b.
  • the descriptions, functions, procedures, suggestions, methods, and/or flowcharts of operations disclosed herein may be implemented using firmware or software in the form of code, instructions, and/or a set of instructions.
  • One or more memories 204a, 204b may be coupled to one or more processors 202a, 202b and may store various types of data, signals, messages, information, programs, codes, instructions, and/or instructions.
  • One or more memories 204a, 204b may include read only memory (ROM), random access memory (RAM), erasable programmable read only memory (EPROM), flash memory, hard drives, registers, cache memory, computer readable storage media and/or It may consist of a combination of these.
  • One or more memories 204a, 204b may be located inside and/or external to one or more processors 202a, 202b. Further, one or more memories 204a, 204b may be coupled to one or more processors 202a, 202b through various technologies, such as wired or wireless connections.
  • the one or more transceivers 206a, 206b may transmit user data, control information, radio signals/channels, etc. referred to in the methods and/or operational flowcharts herein, to one or more other devices.
  • the one or more transceivers 206a, 206b may receive user data, control information, radio signals/channels, etc. referred to in the descriptions, functions, procedures, suggestions, methods, and/or flow charts, etc. disclosed herein, from one or more other devices. have.
  • one or more transceivers 206a, 206b may be coupled to one or more processors 202a, 202b, and may transmit and receive wireless signals.
  • one or more processors 202a, 202b may control one or more transceivers 206a, 206b to transmit user data, control information, or wireless signals to one or more other devices.
  • one or more processors 202a, 202b may control one or more transceivers 206a, 206b to receive user data, control information, or wireless signals from one or more other devices.
  • one or more transceivers 206a, 206b may be coupled with one or more antennas 208a, 208b, and the one or more transceivers 206a, 206b may be connected via one or more antennas 208a, 208b. , procedures, proposals, methods and/or operation flowcharts, etc.
  • one or more antennas may be a plurality of physical antennas or a plurality of logical antennas (eg, antenna ports).
  • the one or more transceivers 206a, 206b converts the received radio signal/channel, etc. from the RF band signal to process the received user data, control information, radio signal/channel, etc. using the one or more processors 202a, 202b. It can be converted into a baseband signal.
  • One or more transceivers 206a, 206b may convert user data, control information, radio signals/channels, etc. processed using one or more processors 202a, 202b from baseband signals to RF band signals.
  • one or more transceivers 206a, 206b may include (analog) oscillators and/or filters.
  • FIG. 3 is a diagram illustrating another example of a wireless device applied to the present disclosure.
  • a wireless device 300 corresponds to the wireless devices 200a and 200b of FIG. 2 , and includes various elements, components, units/units, and/or modules. ) can be composed of
  • the wireless device 300 may include a communication unit 310 , a control unit 320 , a memory unit 330 , and an additional element 340 .
  • the communication unit may include communication circuitry 312 and transceiver(s) 314 .
  • communication circuitry 312 may include one or more processors 202a, 202b and/or one or more memories 204a, 204b of FIG. 2 .
  • the transceiver(s) 314 may include one or more transceivers 206a , 206b and/or one or more antennas 208a , 208b of FIG. 2 .
  • the control unit 320 is electrically connected to the communication unit 310 , the memory unit 330 , and the additional element 340 and controls general operations of the wireless device.
  • the controller 320 may control the electrical/mechanical operation of the wireless device based on the program/code/command/information stored in the memory unit 330 .
  • control unit 320 transmits the information stored in the memory unit 330 to the outside (eg, another communication device) through the communication unit 310 through a wireless/wired interface, or through the communication unit 310 to the outside (eg, Information received through a wireless/wired interface from another communication device) may be stored in the memory unit 330 .
  • the additional element 340 may be configured in various ways according to the type of the wireless device.
  • the additional element 340 may include at least one of a power unit/battery, an input/output unit, a driving unit, and a computing unit.
  • the wireless device 300 may include a robot ( FIGS. 1 and 100a ), a vehicle ( FIGS. 1 , 100b-1 , 100b-2 ), an XR device ( FIGS. 1 and 100c ), and a mobile device ( FIGS. 1 and 100d ). ), home appliances (FIG. 1, 100e), IoT device (FIG.
  • the wireless device may be mobile or used in a fixed location depending on the use-example/service.
  • various elements, components, units/units, and/or modules in the wireless device 300 may be entirely interconnected through a wired interface, or at least some may be wirelessly connected through the communication unit 310 .
  • the control unit 320 and the communication unit 310 are connected by wire, and the control unit 320 and the first unit (eg, 130 , 140 ) are connected wirelessly through the communication unit 310 .
  • each element, component, unit/unit, and/or module within the wireless device 300 may further include one or more elements.
  • the controller 320 may include one or more processor sets.
  • the controller 320 may include a set of a communication control processor, an application processor, an electronic control unit (ECU), a graphic processing processor, a memory control processor, and the like.
  • the memory unit 330 may include RAM, dynamic RAM (DRAM), ROM, flash memory, volatile memory, non-volatile memory, and/or a combination thereof. can be configured.
  • FIG. 4 is a diagram illustrating an example of a portable device applied to the present disclosure.
  • the mobile device may include a smart phone, a smart pad, a wearable device (eg, a smart watch, smart glasses), and a portable computer (eg, a laptop computer).
  • the mobile device may be referred to as a mobile station (MS), a user terminal (UT), a mobile subscriber station (MSS), a subscriber station (SS), an advanced mobile station (AMS), or a wireless terminal (WT).
  • MS mobile station
  • UT user terminal
  • MSS mobile subscriber station
  • SS subscriber station
  • AMS advanced mobile station
  • WT wireless terminal
  • the 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 .
  • the antenna unit 408 may be configured as a part of the communication unit 410 .
  • Blocks 410 to 430/440a to 440c respectively correspond to blocks 310 to 330/340 of FIG. 3 .
  • the communication unit 410 may transmit and receive signals (eg, data, control signals, etc.) with other wireless devices and base stations.
  • the controller 420 may control components of the portable device 400 to perform various operations.
  • the controller 420 may include an application processor (AP).
  • the memory unit 430 may store data/parameters/programs/codes/commands necessary for driving the portable device 400 . Also, the memory unit 430 may store input/output data/information.
  • the power supply unit 440a supplies power to the portable device 400 and may include a wired/wireless charging circuit, a battery, and the like.
  • the interface unit 440b may support a connection between the portable device 400 and other external devices.
  • the interface unit 440b may include various ports (eg, an audio input/output port and a video input/output port) for connection with an external device.
  • the input/output unit 440c may receive or output image information/signal, audio information/signal, data, and/or information input from a user.
  • the input/output unit 440c may include a camera, a microphone, a user input unit, a display unit 440d, a speaker, and/or a haptic module.
  • the input/output unit 440c obtains information/signals (eg, touch, text, voice, image, video) input from the user, and the obtained information/signals are stored in the memory unit 430 . can be saved.
  • the communication unit 410 may convert the information/signal stored in the memory into a wireless signal, and transmit the converted wireless signal directly to another wireless device or to a base station. Also, after receiving a radio signal from another radio device or base station, the communication unit 410 may restore the received radio signal to original information/signal.
  • the restored information/signal may be stored in the memory unit 430 and output in various forms (eg, text, voice, image, video, haptic) through the input/output unit 440c.
  • FIG. 5 is a diagram illustrating an example of a vehicle or an autonomous driving vehicle applied to the present disclosure.
  • the vehicle or autonomous driving vehicle may be implemented as a mobile robot, a vehicle, a train, an aerial vehicle (AV), a ship, etc., but is not limited to the shape of the vehicle.
  • AV aerial vehicle
  • the vehicle or autonomous driving vehicle 500 includes an antenna unit 508 , a communication unit 510 , a control unit 520 , a driving unit 540a , a power supply unit 540b , a sensor unit 540c and autonomous driving.
  • a unit 540d may be included.
  • the antenna unit 550 may be configured as a part of the communication unit 510 .
  • Blocks 510/530/540a-540d correspond to blocks 410/430/440 of FIG. 4, respectively.
  • the communication unit 510 may transmit/receive signals (eg, data, control signals, etc.) to and from external devices such as other vehicles, base stations (eg, base stations, roadside units, etc.), and servers.
  • the controller 520 may control elements of the vehicle or the autonomous driving vehicle 500 to perform various operations.
  • the controller 520 may include an electronic control unit (ECU).
  • the driving unit 540a may cause the vehicle or the autonomous driving vehicle 500 to run on the ground.
  • the driving unit 540a may include an engine, a motor, a power train, a wheel, a brake, a steering device, and the like.
  • the power supply unit 540b supplies power to the vehicle or the autonomous driving vehicle 500 , and may include a wired/wireless charging circuit, a battery, and the like.
  • the sensor unit 540c may obtain vehicle state, surrounding environment information, user information, and the like.
  • the sensor unit 540c includes an inertial measurement unit (IMU) sensor, a collision sensor, a wheel sensor, a speed sensor, an inclination sensor, a weight sensor, a heading sensor, a position module, and a vehicle forward movement.
  • IMU inertial measurement unit
  • a collision sensor a wheel sensor
  • a speed sensor a speed sensor
  • an inclination sensor a weight sensor
  • a heading sensor a position module
  • a vehicle forward movement / may include a reverse sensor, a battery sensor, a fuel sensor, a tire sensor, a steering sensor, a temperature sensor, a humidity sensor, an ultrasonic sensor, an illuminance sensor, a pedal position sensor, and the like.
  • the autonomous driving unit 540d includes a technology for maintaining a driving lane, a technology for automatically adjusting speed such as adaptive cruise control, a technology for automatically driving along a predetermined route, and a technology for automatically setting a route when a destination is set. technology can be implemented.
  • the communication unit 510 may receive map data, traffic information data, and the like from an external server.
  • the autonomous driving unit 540d may generate an autonomous driving route and a driving plan based on the acquired data.
  • the controller 520 may control the driving unit 540a to move the vehicle or the autonomous driving vehicle 500 along the autonomous driving path (eg, speed/direction adjustment) according to the driving plan.
  • the communication unit 510 may obtain the latest traffic information data from an external server non/periodically, and may acquire surrounding traffic information data from surrounding vehicles.
  • the sensor unit 540c may acquire vehicle state and surrounding environment information.
  • the autonomous driving unit 540d may update the autonomous driving route and driving plan based on the newly acquired data/information.
  • the communication unit 510 may transmit information about a vehicle location, an autonomous driving route, a driving plan, and the like to an external server.
  • the external server may predict traffic information data in advance using AI technology or the like based on information collected from the vehicle or autonomous vehicles, and may provide the predicted traffic information data to the vehicle or autonomous vehicles.
  • FIG. 6 is a diagram illustrating an example of a movable body applied to the present disclosure.
  • the moving object applied to the present disclosure may be implemented as at least any one of means of transport, train, aircraft, and ship. Also, the movable body applied to the present disclosure may be implemented in other forms, and is not limited to the above-described embodiment.
  • the mobile unit 600 may include a communication unit 610 , a control unit 620 , a memory unit 630 , an input/output unit 640a , and a position measurement unit 640b .
  • blocks 610 to 630/640a to 640b correspond to blocks 310 to 330/340 of FIG. 3 , respectively.
  • the communication unit 610 may transmit/receive signals (eg, data, control signals, etc.) with other mobile devices or external devices such as a base station.
  • the controller 620 may perform various operations by controlling the components of the movable body 600 .
  • the memory unit 630 may store data/parameters/programs/codes/commands supporting various functions of the mobile unit 600 .
  • the input/output unit 640a may output an AR/VR object based on information in the memory unit 630 .
  • the input/output unit 640a may include a HUD.
  • the position measuring unit 640b may acquire position information of the moving object 600 .
  • the location information may include absolute location information of the moving object 600 , location information within a driving line, acceleration information, and location information with a surrounding vehicle.
  • the position measuring unit 640b may include a GPS and various sensors.
  • the communication unit 610 of the mobile unit 600 may receive map information, traffic information, and the like from an external server and store it in the memory unit 630 .
  • the position measurement unit 640b may obtain information on the location of the moving object through GPS and various sensors and store it in the memory unit 630 .
  • the controller 620 may generate a virtual object based on map information, traffic information, and location information of a moving object, and the input/output unit 640a may display the generated virtual object on a window inside the moving object (651, 652). Also, the control unit 620 may determine whether the moving object 600 is normally operating within the driving line based on the moving object location information.
  • the control unit 620 may display a warning on the glass window of the moving object through the input/output unit 640a. Also, the control unit 620 may broadcast a warning message regarding the driving abnormality to surrounding moving objects through the communication unit 610 . Depending on the situation, the control unit 620 may transmit the location information of the moving object and information on the driving/moving object abnormality to the related organization through the communication unit 610 .
  • the XR device may be implemented as an HMD, a head-up display (HUD) provided in a vehicle, a television, a smartphone, a computer, a wearable device, a home appliance, a digital signage, a vehicle, a robot, and the like.
  • HMD head-up display
  • the XR device may be implemented as an HMD, a head-up display (HUD) provided in a vehicle, a television, a smartphone, a computer, a wearable device, a home appliance, a digital signage, a vehicle, a robot, and the like.
  • HUD head-up display
  • the XR device 700a may include a communication unit 710 , a control unit 720 , a memory unit 730 , an input/output unit 740a , a sensor unit 740b , and a power supply unit 740c .
  • blocks 710 to 730/740a to 740c may correspond to blocks 310 to 330/340 of FIG. 3 , respectively.
  • the communication unit 710 may transmit/receive signals (eg, media data, control signals, etc.) to and from other wireless devices, portable devices, or external devices such as a media server.
  • Media data may include images, images, sounds, and the like.
  • the controller 720 may control components of the XR device 700a to perform various operations.
  • the controller 720 may be configured to control and/or perform procedures such as video/image acquisition, (video/image) encoding, and metadata generation and processing.
  • the memory unit 730 may store data/parameters/programs/codes/commands necessary for driving the XR device 700a/creating an XR object.
  • the input/output unit 740a may obtain control information, data, and the like from the outside, and may output the generated XR object.
  • the input/output unit 740a may include a camera, a microphone, a user input unit, a display unit, a speaker, and/or a haptic module.
  • the sensor unit 740b may obtain an XR device state, surrounding environment information, user information, and the like.
  • the sensor unit 740b includes a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, a red green blue (RGB) sensor, an infrared (IR) sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone and / or radar or the like.
  • the power supply unit 740c supplies power to the XR device 700a, and may include a wired/wireless charging circuit, a battery, and the like.
  • the memory unit 730 of the XR device 700a may include information (eg, data, etc.) necessary for generating an XR object (eg, AR/VR/MR object).
  • the input/output unit 740a may obtain a command to operate the XR device 700a from the user, and the controller 720 may drive the XR device 700a according to the user's driving command. For example, when the user wants to watch a movie or news through the XR device 700a, the controller 720 transmits the content request information to another device (eg, the mobile device 700b) through the communication unit 730 , or can be sent to the media server.
  • another device eg, the mobile device 700b
  • the communication unit 730 may download/stream contents such as movies and news from another device (eg, the portable device 700b) or a media server to the memory unit 730 .
  • the controller 720 controls and/or performs procedures such as video/image acquisition, (video/image) encoding, and metadata generation/processing for the content, and is acquired through the input/output unit 740a/sensor unit 740b
  • An XR object can be created/output based on information about one surrounding space or a real object.
  • the XR device 700a is wirelessly connected to the portable device 700b through the communication unit 710 , and the operation of the XR device 700a may be controlled by the portable device 700b.
  • the portable device 700b may operate as a controller for the XR device 700a.
  • the XR device 700a may obtain 3D location information of the portable device 700b, and then generate and output an XR object corresponding to the portable device 700b.
  • the robot 800 may include a communication unit 810 , a control unit 820 , a memory unit 830 , an input/output unit 840a , a sensor unit 840b , and a driving unit 840c .
  • blocks 810 to 830/840a to 840c may correspond to blocks 310 to 330/340 of FIG. 3 , respectively.
  • the communication unit 810 may transmit/receive signals (eg, driving information, control signals, etc.) with external devices such as other wireless devices, other robots, or control servers.
  • the controller 820 may control components of the robot 800 to perform various operations.
  • the memory unit 830 may store data/parameters/programs/codes/commands supporting various functions of the robot 800 .
  • the input/output unit 840a may obtain information from the outside of the robot 800 and may output the information to the outside of the robot 800 .
  • the input/output unit 840a may include a camera, a microphone, a user input unit, a display unit, a speaker, and/or a haptic module.
  • the sensor unit 840b may obtain internal information, surrounding environment information, user information, and the like of the robot 800 .
  • the sensor unit 840b may include a proximity sensor, an illumination sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, a radar, and the like.
  • the driving unit 840c may perform various physical operations, such as moving a robot joint. Also, the driving unit 840c may cause the robot 800 to travel on the ground or to fly in the air.
  • the driving unit 840c may include an actuator, a motor, a wheel, a brake, a propeller, and the like.
  • AI devices include TVs, projectors, smartphones, PCs, laptops, digital broadcasting terminals, tablet PCs, wearable devices, set-top boxes (STBs), radios, washing machines, refrigerators, digital signage, robots, vehicles, etc. It may be implemented as a device or a mobile device.
  • the AI device 900 includes a communication unit 910 , a control unit 920 , a memory unit 930 , input/output units 940a/940b , a learning processor unit 940c and a sensor unit 940d. may include.
  • Blocks 910 to 930/940a to 940d may respectively correspond to blocks 310 to 330/340 of FIG. 3 .
  • the communication unit 910 uses wired/wireless communication technology to communicate with external devices such as other AI devices (eg, FIGS. 1, 100x, 120, 140) or an AI server ( FIGS. 1 and 140 ) and wired/wireless signals (eg, sensor information, user input, learning model, control signal, etc.). To this end, the communication unit 910 may transmit information in the memory unit 930 to an external device or transmit a signal received from the external device to the memory unit 930 .
  • AI devices eg, FIGS. 1, 100x, 120, 140
  • an AI server FIGS. 1 and 140
  • wired/wireless signals eg, sensor information, user input, learning model, control signal, etc.
  • the controller 920 may determine at least one executable operation of the AI device 900 based on information determined or generated using a data analysis algorithm or a machine learning algorithm. Then, the controller 920 may control the components of the AI device 900 to perform the determined operation. For example, the control unit 920 may request, search, receive, or utilize data of the learning processor unit 940c or the memory unit 930, and may be a predicted operation among at least one executable operation or determined to be preferable. Components of the AI device 900 may be controlled to execute the operation.
  • control unit 920 collects history information including user feedback on the operation contents or operation of the AI device 900 and stores it in the memory unit 930 or the learning processor unit 940c, or the AI server ( 1 and 140), and the like may be transmitted to an external device.
  • the collected historical information may be used to update the learning model.
  • the memory unit 930 may store data supporting various functions of the AI device 900 .
  • the memory unit 930 may store data obtained from the input unit 940a , data obtained from the communication unit 910 , output data of the learning processor unit 940c , and data obtained from the sensing unit 940 .
  • the memory unit 930 may store control information and/or software codes necessary for the operation/execution of the control unit 920 .
  • the input unit 940a may acquire various types of data from the outside of the AI device 900 .
  • the input unit 920 may obtain training data for model learning, input data to which the learning model is applied, and the like.
  • the input unit 940a may include a camera, a microphone, and/or a user input unit.
  • the output unit 940b may generate an output related to sight, hearing, or touch.
  • the output unit 940b may include a display unit, a speaker, and/or a haptic module.
  • the sensing unit 940 may obtain at least one of internal information of the AI device 900 , surrounding environment information of the AI device 900 , and user information by using various sensors.
  • the sensing unit 940 may include a proximity sensor, an illuminance sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, an optical sensor, a microphone, and/or a radar. have.
  • the learning processor unit 940c may train a model composed of an artificial neural network by using the training data.
  • the learning processor unit 940c may perform AI processing together with the learning processor unit of the AI server ( FIGS. 1 and 140 ).
  • the learning processor unit 940c may process information received from an external device through the communication unit 910 and/or information stored in the memory unit 930 . Also, the output value of the learning processor unit 940c may be transmitted to an external device through the communication unit 910 and/or stored in the memory unit 930 .
  • a terminal may receive information from a base station through downlink (DL) and transmit information to a base station through uplink (UL).
  • Information transmitted and received between the base station and the terminal includes general data information and various control information, and various physical channels exist according to the type/use of the information they transmit and receive.
  • FIG. 10 is a diagram illustrating physical channels applied to the present disclosure and a signal transmission method using the same.
  • the terminal receives a primary synchronization channel (P-SCH) and a secondary synchronization channel (S-SCH) from the base station, synchronizes with the base station, and obtains information such as cell ID. .
  • P-SCH primary synchronization channel
  • S-SCH secondary synchronization channel
  • the terminal may receive a physical broadcast channel (PBCH) signal from the base station to obtain intra-cell broadcast information.
  • the UE may receive a downlink reference signal (DL RS) in the initial cell search step to check the downlink channel state.
  • DL RS downlink reference signal
  • the UE receives a physical downlink control channel (PDCCH) and a physical downlink control channel (PDSCH) according to physical downlink control channel information in step S1012 and receives a little more Specific system information can be obtained.
  • PDCCH physical downlink control channel
  • PDSCH physical downlink control channel
  • the terminal may perform a random access procedure, such as steps S1013 to S1016, to complete access to the base station.
  • the UE transmits a preamble through a physical random access channel (PRACH) (S1013), and RAR for the preamble through a physical downlink control channel and a corresponding physical downlink shared channel (S1013). random access response) may be received (S1014).
  • the UE transmits a physical uplink shared channel (PUSCH) using scheduling information in the RAR (S1015), and a contention resolution procedure such as reception of a physical downlink control channel signal and a corresponding physical downlink shared channel signal. ) can be performed (S1016).
  • PUSCH physical uplink shared channel
  • S1015 scheduling information in the RAR
  • a contention resolution procedure such as reception of a physical downlink control channel signal and a corresponding physical downlink shared channel signal.
  • the UE After performing the procedure as described above, the UE receives a physical downlink control channel signal and/or a physical downlink shared channel signal (S1017) and a physical uplink shared channel as a general uplink/downlink signal transmission procedure.
  • channel, PUSCH) signal and/or a physical uplink control channel (PUCCH) signal may be transmitted ( S1018 ).
  • UCI uplink control information
  • HARQ-ACK / NACK hybrid automatic repeat and request acknowledgment / negative-ACK
  • SR scheduling request
  • CQI channel quality indication
  • PMI precoding matrix indication
  • RI rank indication
  • BI beam indication
  • the UCI may be transmitted through the PUSCH.
  • the UE may aperiodically transmit the UCI through the PUSCH.
  • FIG. 11 is a diagram illustrating a control plane and a user plane structure of a radio interface protocol applied to the present disclosure.
  • entity 1 may be a user equipment (UE).
  • the term "terminal" may be at least one of a wireless device, a portable device, a vehicle, a mobile body, an XR device, a robot, and an AI to which the present disclosure is applied in FIGS. 1 to 9 described above.
  • the terminal refers to a device to which the present disclosure can be applied and may not be limited to a specific device or device.
  • Entity 2 may be a base station.
  • the base station may be at least one of an eNB, a gNB, and an ng-eNB.
  • the base station may refer to an apparatus for transmitting a downlink signal to the terminal, and may not be limited to a specific type or apparatus. That is, the base station may be implemented in various forms or types, and may not be limited to a specific form.
  • Entity 3 may be a network device or a device performing a network function.
  • the network device may be a core network node (eg, a mobility management entity (MME), an access and mobility management function (AMF), etc.) that manages mobility.
  • the network function may mean a function implemented to perform a network function, and the entity 3 may be a device to which the function is applied. That is, the entity 3 may refer to a function or device that performs a network function, and is not limited to a specific type of device.
  • the control plane may refer to a path through which control messages used by a user equipment (UE) and a network to manage a call are transmitted.
  • the user plane may mean a path through which data generated in the application layer, for example, voice data or Internet packet data, is transmitted.
  • the physical layer which is the first layer, may provide an information transfer service to a higher layer by using a physical channel.
  • the physical layer is connected to the upper medium access control layer through a transport channel.
  • data may be moved between the medium access control layer and the physical layer through the transport channel.
  • Data may be moved between the physical layer of the transmitting side and the receiving side through a physical channel.
  • the physical channel uses time and frequency as radio resources.
  • a medium access control (MAC) layer of the second layer provides a service to a radio link control (RLC) layer, which is an upper layer, through a logical channel.
  • the RLC layer of the second layer may support reliable data transmission.
  • the function of the RLC layer may be implemented as a function block inside the MAC.
  • the packet data convergence protocol (PDCP) layer of the second layer may perform a header compression function that reduces unnecessary control information in order to efficiently transmit IP packets such as IPv4 or IPv6 in a narrow-bandwidth air interface.
  • PDCP packet data convergence protocol
  • a radio resource control (RRC) layer located at the bottom of the third layer is defined only in the control plane.
  • the RRC layer may be in charge of controlling logical channels, transport channels, and physical channels in relation to configuration, re-configuration, and release of radio bearers (RBs).
  • RB may mean a service provided by the second layer for data transfer between the terminal and the network.
  • the UE and the RRC layer of the network may exchange RRC messages with each other.
  • a non-access stratum (NAS) layer above the RRC layer may perform functions such as session management and mobility management.
  • One cell constituting the base station may be set to one of various bandwidths to provide downlink or uplink transmission services to multiple terminals. Different cells may be configured to provide different bandwidths.
  • the downlink transmission channel for transmitting data from the network to the terminal includes a broadcast channel (BCH) for transmitting system information, a paging channel (PCH) for transmitting a paging message, and a downlink shared channel (SCH) for transmitting user traffic or control messages.
  • BCH broadcast channel
  • PCH paging channel
  • SCH downlink shared channel
  • RACH random access channel
  • SCH uplink shared channel
  • a logical channel that is located above the transport channel and is mapped to the transport channel includes a broadcast control channel (BCCH), a paging control channel (PCCH), a common control channel (CCCH), a multicast control channel (MCCH), and a multicast (MTCH) channel. traffic channels), etc.
  • BCCH broadcast control channel
  • PCCH paging control channel
  • CCCH common control channel
  • MCCH multicast control channel
  • MTCH multicast
  • the transmission signal may be processed by a signal processing circuit.
  • the signal processing circuit 1200 may include a scrambler 1210 , a modulator 1220 , a layer mapper 1230 , a precoder 1240 , a resource mapper 1250 , and a signal generator 1260 .
  • the operation/function of FIG. 12 may be performed by the processors 202a and 202b and/or the transceivers 206a and 206b of FIG. 2 .
  • blocks 1010 to 1060 may be implemented in the processors 202a and 202b of FIG. 2 .
  • blocks 1210 to 1250 may be implemented in the processors 202a and 202b of FIG. 2
  • block 1260 may be implemented in the transceivers 206a and 206b of FIG. 2 , and the embodiment is not limited thereto.
  • the codeword may be converted into a wireless signal through the signal processing circuit 1200 of FIG. 12 .
  • the codeword is a coded bit sequence of an information block.
  • the information block may include a transport block (eg, a UL-SCH transport block, a DL-SCH transport block).
  • the radio signal may be transmitted through various physical channels (eg, PUSCH, PDSCH) of FIG. 10 .
  • the codeword may be converted into a scrambled bit sequence by the scrambler 1210 .
  • a scramble sequence used for scrambling is generated based on an initialization value, and the initialization value may include ID information of a wireless device, and the like.
  • the scrambled bit sequence may be modulated by a modulator 1220 into a modulation symbol sequence.
  • the modulation method may include pi/2-binary phase shift keying (pi/2-BPSK), m-phase shift keying (m-PSK), m-quadrature amplitude modulation (m-QAM), and the like.
  • the complex modulation symbol sequence may be mapped to one or more transport layers by a layer mapper 1230 .
  • Modulation symbols of each transport layer may be mapped to corresponding antenna port(s) by the precoder 1240 (precoding).
  • the output z of the precoder 1240 may be obtained by multiplying the output y of the layer mapper 1230 by the precoding matrix W of N*M.
  • N is the number of antenna ports
  • M is the number of transmission layers.
  • the precoder 1240 may perform precoding after performing transform precoding (eg, discrete fourier transform (DFT) transform) on the complex modulation symbols. Also, the precoder 1240 may perform precoding without performing transform precoding.
  • transform precoding eg, discrete fourier transform (DFT) transform
  • the resource mapper 1250 may map modulation symbols of each antenna port to a time-frequency resource.
  • the time-frequency resource may include a plurality of symbols (eg, a CP-OFDMA symbol, a DFT-s-OFDMA symbol) in the time domain and a plurality of subcarriers in the frequency domain.
  • the signal generator 1260 generates a radio signal from the mapped modulation symbols, and the generated radio signal may be transmitted to another device through each antenna.
  • the signal generator 1260 may include an inverse fast fourier transform (IFFT) module and a cyclic prefix (CP) inserter, a digital-to-analog converter (DAC), a frequency uplink converter, and the like. .
  • IFFT inverse fast fourier transform
  • CP cyclic prefix
  • DAC digital-to-analog converter
  • the signal processing process for the received signal in the wireless device may be configured in reverse of the signal processing process 1210 to 1260 of FIG. 12 .
  • the wireless device eg, 200a or 200b of FIG. 2
  • the received radio signal may be converted into a baseband signal through a signal restorer.
  • the signal restorer may include a frequency downlink converter, an analog-to-digital converter (ADC), a CP remover, and a fast fourier transform (FFT) module.
  • ADC analog-to-digital converter
  • FFT fast fourier transform
  • the baseband signal may be restored to a codeword through a resource de-mapper process, a postcoding process, a demodulation process, and a descrambling process.
  • the codeword may be restored to the original information block through decoding.
  • the signal processing circuit (not shown) for the received signal may include a signal restorer, a resource de-mapper, a postcoder, a demodulator, a descrambler, and a decoder.
  • FIG. 13 is a diagram illustrating a structure of a radio frame applicable to the present disclosure.
  • Uplink and downlink transmission based on the NR system may be based on a frame as shown in FIG. 13 .
  • one radio frame has a length of 10 ms and may be defined as two 5 ms half-frames (HF).
  • One half-frame may be defined as five 1ms subframes (subframe, SF).
  • One subframe is divided into one or more slots, and the number of slots in a subframe may depend on subcarrier spacing (SCS).
  • SCS subcarrier spacing
  • each slot may include 12 or 14 OFDM(A) symbols according to a cyclic prefix (CP).
  • CP cyclic prefix
  • each slot When a normal CP (normal CP) is used, each slot may include 14 symbols.
  • each slot may include 12 symbols.
  • the symbol may include an OFDM symbol (or a CP-OFDM symbol) and an SC-FDMA symbol (or a DFT-s-OFDM symbol).
  • Table 1 shows the number of symbols per slot, the number of slots per frame, and the number of slots per subframe according to the SCS when the normal CP is used, and Table 2 shows the number of slots per SCS when the extended CSP is used. Indicates the number of symbols, the number of slots per frame, and the number of slots per subframe.
  • N slot symb may indicate the number of symbols in a slot
  • N frame may indicate the number of slots in a frame
  • ⁇ slot may indicate the number of slots in a frame
  • N subframe may indicate the number of slots in a subframe.
  • OFDM(A) numerology eg, SCS, CP length, etc.
  • OFDM(A) numerology eg, SCS, CP length, etc.
  • an (absolute time) interval of a time resource eg, SF, slot, or TTI
  • a time unit (TU) for convenience
  • NR may support multiple numerology (or subcarrier spacing (SCS)) to support various 5G services. For example, when SCS is 15kHz, it supports a wide area in traditional cellular bands, and when SCS is 30kHz/60kHz, dense-urban, lower latency and a wider carrier bandwidth, and when the SCS is 60 kHz or higher, it can support a bandwidth greater than 24.25 GHz to overcome phase noise.
  • SCS subcarrier spacing
  • the NR frequency band is defined as a frequency range of two types (FR1, FR2).
  • FR1 and FR2 may be configured as shown in the table below.
  • FR2 may mean a millimeter wave (mmW).
  • the above-described pneumatic numerology may be set differently.
  • a terahertz wave (THz) band may be used as a higher frequency band than the above-described FR2.
  • the SCS may be set to be larger than that of the NR system, and the number of slots may be set differently, and it is not limited to the above-described embodiment.
  • the THz band will be described later.
  • FIG. 14 is a diagram illustrating a slot structure applicable to the present disclosure.
  • One slot includes a plurality of symbols in the time domain. For example, in the case of a normal CP, one slot may include 7 symbols, but in the case of an extended CP, one slot may include 6 symbols.
  • a carrier includes a plurality of subcarriers in the frequency domain.
  • a resource block (RB) may be defined as a plurality of (eg, 12) consecutive subcarriers in the frequency domain.
  • a bandwidth part is defined as a plurality of consecutive (P)RBs in the frequency domain, and may correspond to one numerology (eg, SCS, CP length, etc.).
  • a carrier may include a maximum of N (eg, 5) BWPs. Data communication is performed through the activated BWP, and only one BWP may be activated for one terminal. Each element in the resource grid is referred to as a resource element (RE), and one complex symbol may be mapped.
  • N e.g. 5
  • RE resource element
  • 6G (wireless) systems have (i) very high data rates per device, (ii) very large number of connected devices, (iii) global connectivity, (iv) very low latency, (v) battery- It aims to reduce energy consumption of battery-free IoT devices, (vi) ultra-reliable connections, and (vii) connected intelligence with machine learning capabilities.
  • the vision of the 6G system may have four aspects such as "intelligent connectivity”, “deep connectivity”, “holographic connectivity”, and “ubiquitous connectivity”, and the 6G system may satisfy the requirements shown in Table 4 below. That is, Table 4 is a table showing the requirements of the 6G system.
  • the 6G system includes enhanced mobile broadband (eMBB), ultra-reliable low latency communications (URLLC), massive machine type communications (mmTC), AI integrated communication, and tactile Internet (tactile internet), high throughput (high throughput), high network capacity (high network capacity), high energy efficiency (high energy efficiency), low backhaul and access network congestion (low backhaul and access network congestion) and improved data security ( It may have key factors such as enhanced data security.
  • eMBB enhanced mobile broadband
  • URLLC ultra-reliable low latency communications
  • mmTC massive machine type communications
  • AI integrated communication e.g., eMBB
  • tactile Internet e internet
  • high throughput high network capacity
  • high energy efficiency high energy efficiency
  • low backhaul and access network congestion low backhaul and access network congestion
  • improved data security It may have key factors such as enhanced data security.
  • 15 is a diagram illustrating an example of a communication structure that can be provided in a 6G system applicable to the present disclosure.
  • the 6G system is expected to have 50 times higher simultaneous wireless communication connectivity than the 5G wireless communication system.
  • URLLC a key feature of 5G, is expected to become an even more important technology by providing an end-to-end delay of less than 1 ms in 6G communication.
  • the 6G system will have much better volumetric spectral efficiency, unlike the frequently used area spectral efficiency.
  • 6G systems can provide very long battery life and advanced battery technology for energy harvesting, so mobile devices in 6G systems may not need to be charged separately.
  • new network characteristics in 6G may be as follows.
  • 6G is expected to be integrated with satellites to provide a global mobile population.
  • the integration of terrestrial, satellite and public networks into one wireless communication system could be very important for 6G.
  • AI can be applied in each step of a communication procedure (or each procedure of signal processing to be described later).
  • the 6G wireless network will deliver power to charge the batteries of devices such as smartphones and sensors. Therefore, wireless information and energy transfer (WIET) will be integrated.
  • WIET wireless information and energy transfer
  • Small cell networks The idea of small cell networks was introduced to improve the received signal quality as a result of improved throughput, energy efficiency and spectral efficiency in cellular systems. As a result, small cell networks are essential characteristics for communication systems beyond 5G and Beyond 5G (5GB). Accordingly, the 6G communication system also adopts the characteristics of the small cell network.
  • Ultra-dense heterogeneous networks will be another important characteristic of 6G communication system.
  • a multi-tier network composed of heterogeneous networks improves overall QoS and reduces costs.
  • the backhaul connection is characterized as a high-capacity backhaul network to support high-capacity traffic.
  • High-speed fiber optics and free-space optics (FSO) systems may be possible solutions to this problem.
  • High-precision localization (or location-based service) through communication is one of the functions of the 6G wireless communication system. Therefore, the radar system will be integrated with the 6G network.
  • Softening and virtualization are two important features that underlie the design process in 5GB networks to ensure flexibility, reconfigurability and programmability. In addition, billions of devices can be shared in a shared physical infrastructure.
  • AI The most important and new technology to be introduced in 6G systems is AI.
  • AI was not involved in the 4G system.
  • 5G systems will support partial or very limited AI.
  • the 6G system will be AI-enabled for full automation.
  • Advances in machine learning will create more intelligent networks for real-time communication in 6G.
  • Incorporating AI into communications can simplify and enhance real-time data transmission.
  • AI can use numerous analytics to determine how complex target tasks are performed. In other words, AI can increase efficiency and reduce processing delays.
  • AI can also play an important role in M2M, machine-to-human and human-to-machine communication.
  • AI can be a rapid communication in the BCI (brain computer interface).
  • BCI brain computer interface
  • AI-based communication systems can be supported by metamaterials, intelligent structures, intelligent networks, intelligent devices, intelligent cognitive radios, self-sustaining wireless networks, and machine learning.
  • AI-based physical layer transmission means applying a signal processing and communication mechanism based on an AI driver rather than a traditional communication framework in a fundamental signal processing and communication mechanism.
  • a signal processing and communication mechanism based on an AI driver rather than a traditional communication framework in a fundamental signal processing and communication mechanism.
  • deep learning-based channel coding and decoding, deep learning-based signal estimation and detection, deep learning-based multiple input multiple output (MIMO) mechanism It may include AI-based resource scheduling and allocation.
  • Machine learning may be used for channel estimation and channel tracking, and may be used for power allocation, interference cancellation, and the like in a physical layer of a downlink (DL). In addition, machine learning may be used for antenna selection, power control, symbol detection, and the like in a MIMO system.
  • DL downlink
  • machine learning may be used for antenna selection, power control, symbol detection, and the like in a MIMO system.
  • Deep learning-based AI algorithms require large amounts of training data to optimize training parameters.
  • a lot of training data is used offline. This means that static training on training data in a specific channel environment may cause a contradiction between dynamic characteristics and diversity of a wireless channel.
  • signals of the physical layer of wireless communication are complex signals.
  • further research on a neural network for detecting a complex domain signal is needed.
  • Machine learning refers to a set of actions that trains a machine to create a machine that can perform tasks that humans can or cannot do.
  • Machine learning requires data and a learning model.
  • data learning methods can be roughly divided into three types: supervised learning, unsupervised learning, and reinforcement learning.
  • Neural network learning is to minimize errors in output. Neural network learning repeatedly inputs training data to the neural network, calculates the output and target errors of the neural network for the training data, and backpropagates the neural network error from the output layer of the neural network to the input layer in the direction to reduce the error. ) to update the weights of each node in the neural network.
  • Supervised learning uses training data in which the correct answer is labeled in the training data, and in unsupervised learning, the correct answer may not be labeled in the training data. That is, for example, learning data in the case of supervised learning regarding data classification may be data in which categories are labeled for each of the training data.
  • the labeled training data is input to the neural network, and an error can be calculated by comparing the output (category) of the neural network with the label of the training data.
  • the calculated error is back propagated in the reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back propagation.
  • a change amount of the connection weight of each node to be updated may be determined according to a learning rate.
  • the computation of the neural network on the input data and the backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of repetitions of the learning cycle of the neural network. For example, in the early stages of learning a neural network, a high learning rate can be used to increase the efficiency by allowing the neural network to quickly obtain a certain level of performance, and in the late learning period, a low learning rate can be used to increase accuracy
  • the learning method may vary depending on the characteristics of the data. For example, when the purpose of accurately predicting data transmitted from a transmitting end at a receiving end in a communication system is to perform learning using supervised learning rather than unsupervised learning or reinforcement learning.
  • the learning model corresponds to the human brain, and the most basic linear model can be considered, but the paradigm of machine learning that uses a neural network structure with high complexity such as artificial neural networks as a learning model is called deep learning. ) is called
  • the neural network cord used as a learning method is largely divided into deep neural networks (DNN), convolutional deep neural networks (CNN), and recurrent boltzmann machine (RNN) methods. and such a learning model can be applied.
  • DNN deep neural networks
  • CNN convolutional deep neural networks
  • RNN recurrent boltzmann machine
  • THz communication may be applied in the 6G system.
  • the data rate may be increased by increasing the bandwidth. This can be accomplished by using sub-THz communication with a wide bandwidth and applying advanced large-scale MIMO technology.
  • a THz wave also known as sub-millimeter radiation, generally represents a frequency band between 0.1 THz and 10 THz with a corresponding wavelength in the range of 0.03 mm-3 mm.
  • the 100GHz-300GHz band range (Sub THz band) is considered a major part of the THz band for cellular communication. If it is added to the sub-THz band mmWave band, the 6G cellular communication capacity is increased.
  • 300GHz-3THz is in the far-infrared (IR) frequency band.
  • the 300GHz-3THz band is part of the broadband, but at the edge of the wideband, just behind the RF band. Thus, this 300 GHz-3 THz band shows similarities to RF.
  • THz communication The main characteristics of THz communication include (i) widely available bandwidth to support very high data rates, and (ii) high path loss occurring at high frequencies (high directional antennas are indispensable).
  • the narrow beamwidth produced by the highly directional antenna reduces interference.
  • the small wavelength of the THz signal allows a much larger number of antenna elements to be integrated into devices and BSs operating in this band. This allows the use of advanced adaptive nesting techniques that can overcome range limitations.
  • Optical wireless communication (OWC) technology is envisaged for 6G communication in addition to RF-based communication for all possible device-to-access networks. These networks connect to network-to-backhaul/fronthaul network connections.
  • OWC technology has already been used since the 4G communication system, but will be used more widely to meet the needs of the 6G communication system.
  • OWC technologies such as light fidelity, visible light communication, optical camera communication, and free space optical (FSO) communication based on a light band are well known technologies. Communication based on optical radio technology can provide very high data rates, low latency and secure communication.
  • Light detection and ranging (LiDAR) can also be used for ultra-high-resolution 3D mapping in 6G communication based on a wide band.
  • FSO The transmitter and receiver characteristics of an FSO system are similar to those of a fiber optic network.
  • data transmission in an FSO system is similar to that of a fiber optic system. Therefore, FSO can be a good technology to provide backhaul connectivity in 6G systems along with fiber optic networks.
  • FSO supports high-capacity backhaul connections for remote and non-remote areas such as sea, space, underwater, and isolated islands.
  • FSO also supports cellular base station connectivity.
  • MIMO technology improves, so does the spectral efficiency. Therefore, large-scale MIMO technology will be important in 6G systems. Since the MIMO technology uses multiple paths, a multiplexing technique and a beam generation and operation technique suitable for the THz band should also be considered important so that a data signal can be transmitted through one or more paths.
  • Blockchain will become an important technology for managing large amounts of data in future communication systems.
  • Blockchain is a form of distributed ledger technology, a distributed ledger is a database distributed across numerous nodes or computing devices. Each node replicates and stores an identical copy of the ledger.
  • the blockchain is managed as a peer-to-peer (P2P) network. It can exist without being managed by a centralized authority or server. Data on the blockchain is collected together and organized into blocks. Blocks are linked together and protected using encryption.
  • Blockchain in nature perfectly complements IoT at scale with improved interoperability, security, privacy, reliability and scalability. Therefore, blockchain technology provides several features such as interoperability between devices, traceability of large amounts of data, autonomous interaction of different IoT systems, and large-scale connection stability of 6G communication systems.
  • the 6G system integrates terrestrial and public networks to support vertical expansion of user communications.
  • 3D BS will be provided via low orbit satellites and UAVs. Adding a new dimension in terms of elevation and associated degrees of freedom makes 3D connections significantly different from traditional 2D networks.
  • Unmanned aerial vehicles or drones will become an important element in 6G wireless communications.
  • UAVs Unmanned aerial vehicles
  • a base station entity is installed in the UAV to provide cellular connectivity.
  • UAVs have certain features not found in fixed base station infrastructure, such as easy deployment, strong line-of-sight links, and degrees of freedom with controlled mobility.
  • the deployment of terrestrial communications infrastructure is not economically feasible, and sometimes cannot provide services in volatile environments.
  • a UAV can easily handle this situation.
  • UAV will become a new paradigm in the field of wireless communication. This technology facilitates the three basic requirements of wireless networks: eMBB, URLLC and mMTC.
  • UAVs can also support multiple purposes, such as improving network connectivity, fire detection, disaster emergency services, security and surveillance, pollution monitoring, parking monitoring, incident monitoring, and more. Therefore, UAV technology is recognized as one of the most important technologies for 6G communication.
  • Tight integration of multiple frequencies and heterogeneous communication technologies is very important in 6G systems. As a result, users can seamlessly move from one network to another without having to make any manual configuration on the device. The best network is automatically selected from the available communication technologies. This will break the limitations of the cell concept in wireless communication. Currently, user movement from one cell to another causes too many handovers in high-density networks, resulting in handover failures, handover delays, data loss and ping-pong effects. 6G cell-free communication will overcome all of this and provide better QoS. Cell-free communication will be achieved through multi-connectivity and multi-tier hybrid technologies and different heterogeneous radios of devices.
  • WIET Wireless information and energy transfer
  • WIET uses the same fields and waves as the wireless communication system.
  • the sensor and smartphone will be charged using wireless power transfer during communication.
  • WIET is a promising technology for extending the life of battery-charged wireless systems. Therefore, devices without batteries will be supported in 6G communication.
  • An autonomous wireless network is a function that can continuously detect dynamically changing environmental conditions and exchange information between different nodes.
  • sensing will be tightly integrated with communications to support autonomous systems.
  • the density of access networks in 6G will be enormous.
  • Each access network is connected by backhaul connections such as fiber optic and FSO networks.
  • backhaul connections such as fiber optic and FSO networks.
  • Beamforming is a signal processing procedure that adjusts an antenna array to transmit a radio signal in a specific direction.
  • Beamforming technology has several advantages such as high signal-to-noise ratio, interference prevention and rejection, and high network efficiency.
  • Hologram beamforming (HBF) is a new beamforming method that is significantly different from MIMO systems because it uses a software-defined antenna. HBF will be a very effective approach for efficient and flexible transmission and reception of signals in multi-antenna communication devices in 6G.
  • Big data analytics is a complex process for analyzing various large data sets or big data. This process ensures complete data management by finding information such as hidden data, unknown correlations and customer propensity. Big data is collected from a variety of sources such as videos, social networks, images and sensors. This technology is widely used to process massive amounts of data in 6G systems.
  • LIS is an artificial surface made of electromagnetic materials, and can change the propagation of incoming and outgoing radio waves.
  • LIS can be seen as an extension of massive MIMO, but has a different array structure and operation mechanism from that of massive MIMO.
  • LIS is low in that it acts as a reconfigurable reflector with passive elements, that is, only passively reflects the signal without using an active RF chain. It has the advantage of having power consumption.
  • each of the passive reflectors of the LIS must independently adjust the phase shift of the incoming signal, it can be advantageous for a wireless communication channel.
  • the reflected signal can be gathered at the target receiver to boost the received signal power.
  • 17 is a diagram illustrating a THz communication method applicable to the present disclosure.
  • THz wave is located between the RF (Radio Frequency)/millimeter (mm) and infrared bands, (i) It penetrates non-metal/non-polar materials better than visible light/infrared light, and has a shorter wavelength than RF/millimeter wave, so it has high straightness. Beam focusing may be possible.
  • the frequency band expected to be used for THz wireless communication may be a D-band (110 GHz to 170 GHz) or H-band (220 GHz to 325 GHz) band with a small propagation loss due to absorption of molecules in the air.
  • Standardization discussion on THz wireless communication is being discussed centered on IEEE 802.15 THz working group (WG) in addition to 3GPP, and standard documents issued by TG (task group) (eg, TG3d, TG3e) of IEEE 802.15 are described herein. It can be specified or supplemented.
  • THz wireless communication may be applied to wireless cognition, sensing, imaging, wireless communication, THz navigation, and the like.
  • a THz wireless communication scenario may be classified into a macro network, a micro network, and a nanoscale network.
  • THz wireless communication can be applied to a vehicle-to-vehicle (V2V) connection and a backhaul/fronthaul connection.
  • V2V vehicle-to-vehicle
  • THz wireless communication in micro networks is applied to indoor small cells, fixed point-to-point or multi-point connections such as wireless connections in data centers, and near-field communication such as kiosk downloading.
  • Table 5 below is a table showing an example of a technique that can be used in the THz wave.
  • FIG. 18 is a diagram illustrating a THz wireless communication transceiver applicable to the present disclosure.
  • THz wireless communication may be classified based on a method for generating and receiving THz.
  • the THz generation method can be classified into an optical device or an electronic device-based technology.
  • the method of generating THz using an electronic device is a method using a semiconductor device such as a resonant tunneling diode (RTD), a method using a local oscillator and a multiplier, a compound semiconductor high electron mobility transistor (HEMT) based
  • a semiconductor device such as a resonant tunneling diode (RTD), a method using a local oscillator and a multiplier, a compound semiconductor high electron mobility transistor (HEMT) based
  • MMIC monolithic microwave integrated circuits
  • a doubler, tripler, or multiplier is applied to increase the frequency, and it is radiated by the antenna through the subharmonic mixer. Since the THz band forms a high frequency, a multiplier is essential.
  • the multiplier is a circuit that has an output frequency N times that of the input, matches the desired harmonic frequency, and filters out all other frequencies.
  • an array antenna or the like may be applied to the antenna of FIG. 18 to implement beamforming.
  • IF denotes an intermediate frequency
  • tripler and multipler denote a multiplier
  • PA denotes a power amplifier
  • LNA denotes a low noise amplifier.
  • PLL represents a phase-locked loop.
  • FIG. 19 is a diagram illustrating a THz signal generation method applicable to the present disclosure.
  • FIG. 20 is a diagram illustrating a wireless communication transceiver applicable to the present disclosure.
  • the optical device-based THz wireless communication technology refers to a method of generating and modulating a THz signal using an optical device.
  • the optical element-based THz signal generation technology is a technology that generates a high-speed optical signal using a laser and an optical modulator, and converts it into a THz signal using a high-speed optical detector. In this technology, it is easier to increase the frequency compared to the technology using only electronic devices, it is possible to generate a high-power signal, and it is possible to obtain a flat response characteristic in a wide frequency band.
  • a laser diode, a broadband optical modulator, and a high-speed photodetector are required.
  • the THz signal corresponding to the difference in wavelength between the lasers is generated by multiplexing the light signals of two lasers having different wavelengths.
  • an optical coupler refers to a semiconductor device that transmits electrical signals using light waves to provide coupling with electrical insulation between circuits or systems
  • UTC-PD uni-travelling carrier photo- The detector
  • UTC-PD is one of the photodetectors, which uses electrons as active carriers and reduces the movement time of electrons by bandgap grading.
  • UTC-PD is capable of photodetection above 150GHz.
  • an erbium-doped fiber amplifier represents an erbium-doped optical fiber amplifier
  • a photo detector represents a semiconductor device capable of converting an optical signal into an electrical signal
  • the OSA represents various optical communication functions (eg, , photoelectric conversion, electro-optical conversion, etc.) represents an optical module modularized into one component
  • DSO represents a digital storage oscilloscope.
  • FIG. 21 is a diagram illustrating a structure of a transmitter applicable to the present disclosure.
  • FIG. 22 is a diagram illustrating a modulator structure applicable to the present disclosure.
  • a phase of a signal may be changed by passing an optical source of a laser through an optical wave guide.
  • data is loaded by changing electrical characteristics through microwave contact or the like.
  • an optical modulator output is formed as a modulated waveform.
  • the photoelectric modulator (O/E converter) is an optical rectification operation by a nonlinear crystal (nonlinear crystal), photoelectric conversion (O / E conversion) by a photoconductive antenna (photoconductive antenna), a bunch of electrons in the light beam (bunch of) THz pulses can be generated by, for example, emission from relativistic electrons.
  • a terahertz pulse (THz pulse) generated in the above manner may have a length in units of femtoseconds to picoseconds.
  • An O/E converter performs down conversion by using non-linearity of a device.
  • the available bandwidth may be classified based on oxygen attenuation of 10 ⁇ 2 dB/km in a spectrum up to 1 THz. Accordingly, a framework in which the available bandwidth is composed of several band chunks may be considered. As an example of the framework, if the length of a terahertz pulse (THz pulse) for one carrier is set to 50 ps, the bandwidth (BW) becomes about 20 GHz.
  • THz pulse terahertz pulse
  • BW bandwidth
  • Effective down conversion from the infrared band to the terahertz band depends on how the nonlinearity of the O/E converter is exploited. That is, in order to down-convert to a desired terahertz band (THz band), the O/E converter having the most ideal non-linearity for transfer to the terahertz band (THz band) is design is required. If an O/E converter that does not fit the target frequency band is used, there is a high possibility that an error may occur with respect to the amplitude and phase of the corresponding pulse.
  • a terahertz transmission/reception system may be implemented using one photoelectric converter in a single carrier system. Although it depends on the channel environment, as many photoelectric converters as the number of carriers may be required in a far-carrier system. In particular, in the case of a multi-carrier system that uses several broadbands according to the above-described spectrum usage-related scheme, the phenomenon will become prominent.
  • a frame structure for the multi-carrier system may be considered.
  • the down-frequency-converted signal based on the photoelectric converter may be transmitted in a specific resource region (eg, a specific frame).
  • the frequency domain of the specific resource region may include a plurality of chunks. Each chunk may be composed of at least one component carrier (CC).
  • FIG. 23 is a diagram illustrating a structure of a perceptron included in an artificial neural network applicable to the present disclosure. Also, FIG. 24 is a diagram illustrating an artificial neural network structure applicable to the present disclosure.
  • an artificial intelligence system may be applied in the 6G system.
  • the artificial intelligence system may operate based on a learning model corresponding to the human brain, as described above.
  • a paradigm of machine learning that uses a neural network structure with high complexity such as artificial neural networks as a learning model can be called deep learning.
  • the neural network cord used as a learning method is largely a deep neural network (DNN), a convolutional deep neural network (CNN), and a recurrent neural network (RNN).
  • DNN deep neural network
  • CNN convolutional deep neural network
  • RNN recurrent neural network
  • the artificial neural network may be composed of several perceptrons.
  • the input vector x ⁇ x 1 , x 2 , ...
  • x d ⁇ is entered, each component is given a weight ⁇ W 1 , W 2 , ... , W d ⁇ are multiplied, and the results are summed up, and then the whole process of applying the activation function ⁇ ( ⁇ ) can be called a perceptron.
  • a perceptron If the huge artificial neural network structure extends the simplified perceptron structure shown in FIG. 23, input vectors can be applied to different multidimensional perceptrons. For convenience of description, an input value or an output value is referred to as a node.
  • the perceptron structure shown in FIG. 23 may be described as being composed of a total of three layers based on an input value and an output value. 1 st layer and 2 nd layer between, the (d + 1) pieces perceptron H of D, 2, (H + 1) between nd layer and a 3 rd layer level perceptron is to be described as an artificial neural network 24 present the K can
  • the layer where the input vector is located is called an input layer
  • the layer where the final output value is located is called an output layer
  • all layers located between the input layer and the output layer are called hidden layers.
  • the artificial neural network illustrated in FIG. 24 may be understood as a total of two layers.
  • the artificial neural network is constructed by connecting the perceptrons of the basic blocks in two dimensions.
  • the above-described input layer, hidden layer, and output layer can be jointly applied in various artificial neural network structures such as CNN and RNN to be described later as well as multi-layer perceptron.
  • the artificial neural network becomes deeper, and a machine learning paradigm that uses a sufficiently deep artificial neural network as a learning model can be called deep learning.
  • an artificial neural network used for deep learning may be referred to as a deep neural network (DNN).
  • DNN deep neural network
  • 25 is a diagram illustrating a deep neural network applicable to the present disclosure.
  • the deep neural network may be a multilayer perceptron composed of eight hidden layers and eight output layers.
  • the multilayer perceptron structure may be expressed as a fully-connected neural network.
  • a connection relationship does not exist between nodes located on the same layer, and a connection relationship can exist only 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 the correlation characteristics between input and output.
  • the correlation characteristic may mean a joint probability of input/output.
  • 26 is a diagram illustrating a convolutional neural network applicable to the present disclosure.
  • 27 is a diagram illustrating a filter operation of a convolutional neural network applicable to the present disclosure.
  • various artificial neural network structures different from the above-described DNN may be formed.
  • the DNN nodes located inside one layer are arranged in a one-dimensional vertical direction.
  • the nodes are two-dimensionally arranged with w horizontally and h vertical nodes. (Convolutional neural network structure in Fig. 26).
  • a weight is added per connection in the connection process from one input node to the hidden layer, a total of h ⁇ w weights must be considered. Since there are h ⁇ w nodes in the input layer, a total of h 2 w 2 weights may be needed between two adjacent layers.
  • the convolutional neural network of FIG. 26 has a problem in that the number of weights increases exponentially according to the number of connections, so instead of considering the connection of all modes between adjacent layers, it is assumed that a filter with a small size exists.
  • a weighted sum and activation function operation may be performed on a portion where the filters overlap.
  • one filter has a weight corresponding to the number of its size, and learning of the weight can be performed so that a specific feature on the image can be extracted and output as a factor.
  • a 3 ⁇ 3 filter is applied to the upper left 3 ⁇ 3 region of the input layer, and an output value obtained by performing weighted sum and activation function operations on the corresponding node may be stored in z 22 .
  • the above-described filter may perform weight sum and activation function calculations while moving horizontally and vertically by a predetermined interval while scanning the input layer, and the output value may be disposed at the current filter position. Since this calculation method is similar to a convolution operation for an image in the field of computer vision, a deep neural network with such a structure is called a convolutional neural network (CNN), and the result of the convolution operation is called a convolutional neural network (CNN).
  • the hidden layer may be referred to as a convolutional layer.
  • a neural network having a plurality of convolutional layers may be referred to as a deep convolutional neural network (DCNN).
  • the number of weights can be reduced by calculating the weighted sum by including only nodes located in the region covered by the filter in the node where the filter is currently located. Due to this, one filter can be used to focus on features for a local area. Accordingly, CNN can be effectively applied to image data processing in which physical distance on a two-dimensional domain is an important criterion. Meanwhile, in CNN, a plurality of filters may be applied immediately before the convolution layer, and a plurality of output results may be generated through the convolution operation of each filter.
  • a structure in which this method is applied to an artificial neural network can be called a recurrent neural network structure.
  • 28 is a diagram illustrating a neural network structure in which a cyclic loop applicable to the present disclosure exists.
  • 29 is a diagram illustrating an operation structure of a recurrent neural network applicable to the present disclosure.
  • a recurrent neural network is an element ⁇ x 1 (t) , x 2 (t) , . , x d (t) ⁇ in the process of input to the fully connected neural network
  • the immediately preceding time point t-1 is the hidden vector ⁇ z 1 (t-1) , z 2 (t-1) , ... , z H (t-1) ⁇ can be input together to have a structure in which a weighted sum and an activation function are applied.
  • the reason why the hidden vector is transferred to the next time in this way is because it is considered that information in the input vector at the previous time is accumulated in the hidden vector of the current time.
  • the recurrent neural network may operate in a predetermined time sequence with respect to an input data sequence.
  • the input vector ⁇ x 1 (t) , x 2 (t) , ... , x d (t) ⁇ when the hidden vector ⁇ z 1 (1) , z 2 (1) , ... , z H (1) ⁇ is the input vector ⁇ x 1 (2) , x 2 (2) , ... , x d (2) ⁇
  • the vector of the hidden layer ⁇ z 1 (2) , z 2 (2) , ... , z H (2) ⁇ is determined.
  • These processes are time point 2, time point 3, ... , iteratively until time T.
  • Recurrent neural networks are designed to be usefully applied to sequence data (eg, natural language processing).
  • neural network core used as a learning method, in addition to DNN, CNN, and RNN, restricted Boltzmann machine (RBM), deep belief networks (DBN), deep Q-Network and It includes various deep learning techniques such as, and can be applied to fields such as computer vision, voice recognition, natural language processing, and voice/signal processing.
  • RBM restricted Boltzmann machine
  • DNN deep belief networks
  • Q-Network includes various deep learning techniques such as, and can be applied to fields such as computer vision, voice recognition, natural language processing, and voice/signal processing.
  • AI-based physical layer transmission means applying a signal processing and communication mechanism based on an AI driver rather than a traditional communication framework in a fundamental signal processing and communication mechanism. For example, deep learning-based channel coding and decoding, deep learning-based signal estimation and detection, deep learning-based MIMO mechanism, AI-based resource scheduling ( scheduling) and allocation may be included.
  • the present disclosure is for estimating a channel in a wireless communication system, and in particular, describes a technique for supporting learning of a machine learning model for using a machine learning-based channel estimation technique.
  • the base station may use a machine learning model to estimate the downlink channel of the terminal.
  • the base station performs a pre-processing process on the uplink signal received from each terminal, and uses the pre-processed data as an input of the machine learning model. can Then, the machine learning model outputs downlink channel prediction information of each terminal.
  • the radio channel is greatly influenced by the surrounding environment, the channels experienced by the base station or the terminals have many differences. Therefore, it is difficult to apply one machine learning model to many base stations, and in order to optimize the machine learning model for each base station environment, it is required to collect data in a real environment and perform learning in real time.
  • the uplink channel is measured by the base station, and the downlink channel is measured by the terminal and then fed back to the base station.
  • the feedback information measured and transmitted by the terminal is processed into information suitable for the terminal in order to save uplink resources, and thus includes very limited information.
  • the transmission period of the uplink reference signal (RS) or pilot and the downlink reference signal or pilot are different, a transmission time difference between the uplink channel and the downlink channel occurs, and thus, learning is difficult. Even obtaining the necessary labeled data is not easy. Accordingly, the present disclosure intends to propose a real-time online learning method for learning a machine learning model in a system in which a base station applies a machine learning model for downlink channel estimation.
  • next-generation communication system after 5G is expected to require higher transmission speed and capacity than 5G.
  • MIMO multiple input multiple output
  • One of the important factors in improving the performance of the MIMO system is to obtain accurate channel information. It is a well-known fact that the more accurate the channel information, the higher the spectral efficiency of the MIMO system.
  • the base station in order to obtain more accurate channel information, the base station depends on the measurement result provided by the terminal.
  • the terminal measures a downlink reference signal transmitted by the base station, and reports the measurement result to the base station. Accordingly, the base station may determine a precoding and beamforming method for data to be transmitted to the terminal based on the report.
  • the mobile communication system defines in advance a list of beamformers that the terminal can use, that is, a codeword, and the terminal uses a reference signal The optimal codeword is selected and notified based on the channel information obtained by measuring .
  • the uplink signal of the terminal may be utilized.
  • the method using the uplink signal is applicable to a time division duplex (TDD) system and is based on channel reciprocity.
  • TDD time division duplex
  • the downlink signal and the uplink signal are transmitted at the same frequency, both can be treated as experiencing the same channel environment. That is, channel information estimated from the uplink signal may be utilized for downlink channel estimation.
  • the terminal uses the uplink signal, the overhead of the terminal feeding back channel information is reduced.
  • FIG. 30 is a diagram illustrating a concept of a system for performing machine learning-based channel estimation applicable to the present disclosure.
  • a MIMO channel is formed between the terminal 3010 and the base station 3020 .
  • 30 illustrates that the terminal 3010 has two antennas and the base station 3020 has four antennas, but each of the terminal 3010 and the base station 3020 may include a different number of antennas.
  • the terminal 3010 transmits an uplink reference signal to the base station 3020 .
  • the base station 3020 receives an uplink reference signal using the receiver 3022 and determines uplink channel information H UL from the uplink reference signal received from the terminal 3010 .
  • the calculated uplink channel information H UL is used as an input of a neural network (NN) 3024 .
  • the neural network 3024 of the base station 3020 is a downlink channel estimation value. to decide
  • the transmitter 3026 of the base station 3020 calculates optimal precoding and beamforming parameters for the terminal 3010 based on the output of the neural network 3024, and transmits downlink data using the precoding and beamforming. send.
  • a first situation 3110 is a state for learning a machine learning model
  • a second situation 3120 is a state for estimating a channel by inference using the learned machine learning model.
  • the base station selects several terminals within the coverage of the base station for machine learning model learning. Then, the base station transmits configuration information including information necessary for learning to the selected terminals. After transmitting the configuration information, the base station transmits a downlink reference signal. When a specific learning data collection is requested from the base station, the terminals measure and report the downlink reference signal by using the configuration information. At the same time, according to the configuration information, the terminals transmit an uplink reference signal at a corresponding time. The base station transmits the uplink reference signal and the base station transmits the downlink reference signal so that a channel change does not occur because the uplink reference signal transmission time and the downlink reference signal transmission time are very different.
  • Resources may be allocated to be located within coherence time. After the base station stores the uplink reference signal and downlink channel information received from the terminals for a certain period of time, the base station learns the machine learning model using the stored data. When the learning result of the machine learning model is not at a satisfactory level, the base station repeats the above-described operations.
  • the base station applies the learned model to actual downlink channel information estimation.
  • the base station uses the estimated downlink information for precoder selection and beamforming operations required for downlink data transmission.
  • 32 is a diagram illustrating a learning procedure of a machine learning model applicable to the present disclosure.
  • the learning of the machine learning model is a registration procedure 3210 , a participating terminal selection and configuration procedure 3220 , a reporting procedure 3230 , a learning and verification procedure 3240 , and updated ( updated) includes a machine learning model application procedure 3250 .
  • the registration procedure 3210 is a procedure for managing a pool of terminals capable of supporting learning of a machine learning model.
  • Participating terminal selection and configuration procedure 3220 is a procedure for selecting a terminal to perform measurement and reporting, and providing necessary configuration information.
  • the reporting procedure 3230 is a procedure for providing information measured by the terminal to the base station.
  • the learning and verification procedure 3240 is a procedure for training a machine learning model using the collected information.
  • the updated machine learning model application procedure 3250 is a procedure for estimating and utilizing a channel using the trained machine learning model.
  • 33 is a diagram illustrating an embodiment of a procedure for supporting learning in a terminal applicable to the present disclosure. 33 illustrates an operation method of a terminal.
  • the terminal transmits a message including information related to learning.
  • the information related to learning includes information related to the learning support ability of the terminal (eg, information indicating the existence of ability, information indicating the level of ability), information indicating a status related to learning, information indicating a status related to learning, It may include at least one of information requesting change.
  • a plurality of messages including different types of information may be transmitted.
  • the terminal receives a message including configuration information for learning.
  • the setting information may be received when it is determined to participate in learning.
  • the setting information includes information related to the progress of learning (eg, learning start time, learning end time, learning period, timer, etc.), information indicating a resource for a downlink reference signal (eg, resource location, signal value, etc.), Information indicating a resource for an uplink reference signal (eg, resource location, signal value, etc.), information for reporting a measurement result of a downlink channel (eg, resource location, reporting method, measurement target, report target, information) format, etc.) may be included.
  • the setting information is then used for transmission or reception of signals and information.
  • step S3305 the terminal transmits an uplink reference signal.
  • the terminal transmits an uplink reference signal through a resource indicated by the configuration information.
  • the value of the uplink reference signal may be predefined, determined based on other parameters, or allocated according to configuration information.
  • step S3307 the terminal transmits the measured channel information based on the downlink reference signal. That is, the terminal receives a downlink reference signal through a resource indicated by the configuration information, and obtains downlink channel information by measuring the received downlink reference signal. And, the terminal transmits downlink channel information through a resource indicated by the configuration information.
  • the value of the downlink reference signal may be predefined, determined based on other parameters, or allocated by configuration information.
  • the uplink reference signal and the measured channel information transmitted by the terminal are received by the base station, and are used for learning in the base station.
  • the learned machine learning model may be used for downlink channel estimation in the base station.
  • 34 is a diagram illustrating an embodiment of a procedure for performing learning in a base station applicable to the present disclosure. 34 illustrates an operation method of a base station.
  • the base station receives a message including information related to learning.
  • the information related to learning includes information related to the learning support ability of the terminal (eg, information indicating the existence of ability, information indicating the level of ability), information indicating a status related to learning, information indicating a status related to learning, It may include at least one of information requesting change.
  • a plurality of messages including different types of information may be received.
  • the base station transmits a message including configuration information for learning.
  • the setting information may be transmitted to a terminal determined to participate in learning.
  • the setting information includes information related to the progress of learning (eg, learning start time, learning end time, learning period, timer, etc.), information indicating a resource for a downlink reference signal (eg, resource location, signal value, etc.), Information indicating a resource for an uplink reference signal (eg, resource location, signal value, etc.), information for reporting a measurement result of a downlink channel (eg, resource location, reporting method, measurement target, report target, information) format, etc.) may be included.
  • the setting information is then used for transmission or reception of signals and information.
  • the base station receives an uplink reference signal.
  • the base station may detect the uplink reference signal through the resource indicated through the configuration information.
  • the value of the uplink reference signal may be predefined, determined based on other parameters, or allocated according to configuration information.
  • the base station receives the measured channel information based on the downlink reference signal.
  • the base station transmits a downlink reference signal through a resource indicated by the configuration information, and obtains downlink channel information from the terminal receiving the downlink reference signal.
  • the value of the downlink reference signal may be predefined, determined based on other parameters, or allocated by configuration information.
  • step S3409 the base station performs learning using the channel information measured based on the uplink reference signal and the received channel information. That is, the base station may measure the uplink reference signal received from the terminal, and may perform learning using uplink channel information obtained through measurement and downlink channel information received from the terminal.
  • a machine learning model may be trained.
  • the trained machine learning model can be used for downlink channel estimation in the base station. At least a part of the learning support procedure and the learning procedure according to the above-described embodiments may be repeatedly performed as needed.
  • a learning procedure of the machine learning model considering iteration is shown in FIG. 35 below.
  • 35 is a diagram illustrating an embodiment of signal exchange for performing learning applicable to the present disclosure. 35 illustrates the exchange of messages and signals between the terminals 3510a to 3510d and the base station 3520 .
  • each of the terminals 3510a to 3510d transmits a registration message to the base station 3520 .
  • the registration message includes information necessary for the base station 3520 to support learning, that is, to select a terminal to participate in learning.
  • the registration message may include at least one of information indicating that the terminal supports learning, information indicating an operation mode of the terminal related to learning, and information related to the terminal.
  • FIG. 35 it is illustrated that all of the terminals 3510a to 3510d transmit a registration message, but according to another embodiment, at least some of the terminals 3510a to 3510d may transmit a release message.
  • the base station 3520 selects at least one terminal to participate in learning.
  • the base station 3520 may first determine whether to perform learning or whether learning is required. When it is determined that learning is to be performed, the base station 3520 selects at least one terminal. In the example of FIG. 35 , the first terminal 3510a and the second terminal 3510b are selected.
  • the base station 3520 transmits terminal configuration information to each of the first terminal 3510a and the second terminal 3510b.
  • the terminal configuration information may include at least one of resource allocation information for reference signals to be transmitted later and resource allocation information for transmitting channel measurement information. At least one value of parameters included in the terminal configuration information may be different for each terminal.
  • the resource allocation information for the reference signals includes resource allocation information for the downlink reference signal and resource allocation information for the uplink reference signal.
  • one of the resource allocation information for the downlink reference signal and the resource allocation information for the uplink reference signal may be derived from the other by a predefined rule. In this case, it may be understood that the resource allocation information derived by the rule is not explicitly included in the terminal configuration information, but implicitly follows signaling.
  • the base station 3520 transmits downlink reference signals to the first terminal 3510a and the second terminal 3510b.
  • the downlink reference signal transmitted to the first terminal 3510a and the downlink reference signal transmitted to the second terminal 3510b are exemplified as separate signals.
  • the downlink reference signals transmitted to the first terminal 3510a and the second terminal 3510b may be multiplexed in the same time-frequency resource or transmitted in different time-frequency resources.
  • the downlink reference signal transmitted to the first terminal 3510a and the downlink reference signal transmitted to the second terminal 3510b may be the same signal.
  • each of the first terminal 3510a and the second terminal 3510b transmits an uplink reference signal to the base station 3520 .
  • the uplink reference signal may be transmitted through a resource indicated by the terminal configuration information received from the base station 3520 .
  • the uplink reference signal transmitted by the first terminal 3510a and the uplink reference signal transmitted by the second terminal 3510b may be transmitted in the same time-frequency resource or may be transmitted in different time-frequency resources. have.
  • uplink reference signals When transmitted on the same time-frequency resource, uplink reference signals may be distinguished by sequence values, and the sequence values may be provided by terminal configuration information.
  • each of the first terminal 3510a and the second terminal 3510b transmits downlink channel measurement information to the base station 3520 .
  • the first terminal 3510a and the second terminal 3510b may feed back information related to the estimated channel to the base station 3520 .
  • the channel-related information may include at least one of a channel matrix, an index of a codeword corresponding to the channel matrix, and a compressed channel matrix.
  • the base station 3520 learns and verifies the machine learning model.
  • the base station 3520 receives a training data set and a test data set from signals or information (eg, an uplink reference signal and downlink channel measurement information) received from the terminals 3510a and 3510b. data set) is obtained.
  • the base station 3520 may perform learning on the machine learning model using the training data set and verify the performance of the machine learning model trained using the inspection data set. For example, the base station 3520 may perform verification by performing inference using the test data set and checking how close the inferred result is to the actual result.
  • step S3515 the base station 3520 checks whether the verification result of the machine learning model converges. For example, the base station 3520 may determine whether the performance of the machine learning model has converged by checking whether the difference between the inferred result and the actual result using the inspection data set is lower than a threshold. If the performance does not converge, the procedure repeats steps S3503 to S3515. That is, steps S3503 to S3515 may be repeated until the verification result converges.
  • the base station 3520 applies the updated machine learning model. That is, the base station 3520 may estimate a downlink channel using the updated machine learning model and perform communication based on the estimated downlink channel.
  • Conditions for re-performing learning may be defined based on various aspects such as time, performance, system load, and communication environment.
  • learning may be triggered by the passage of time. For example, when a predetermined time has elapsed from the last learning, the base station 3520 may perform the learning of the machine learning model again by performing the operations of steps S3503 to S3515 or similar operations.
  • learning may be triggered by performance degradation.
  • the base station 3520 may perform the learning of the machine learning model again by performing the operations of steps S3503 to S3515 or similar operations.
  • the degradation of performance may be determined by the error rate of data communication based on the inferred downlink channel or determined by a separate procedure.
  • the base station 3520 may receive information about a downlink channel estimated by the terminal on a periodic or event-based basis, and compare the inferred channel and the fed back channel.
  • the event may be defined as the lapse of a predetermined time or occurrence of an error in data communication above a predetermined level.
  • terminals 3510a to 3510d transmit a registration message.
  • each of the terminals 3510a to 3510d may transmit a capability information message including information related to the terminal's learning support capability.
  • the information related to the learning support capability may be managed as context information of the terminal, and the base station 3520 may obtain information related to the learning support capability of each terminal from a neighboring base station, from an upper core network node, or from a terminal.
  • the base station 3520 may manage terminals having the learning support capability identified from the capability information as candidate terminals capable of being included in the pool, and may include terminals requesting registration among the candidate terminals in the pool. .
  • the base station manages a pool of terminals required for learning.
  • the base station may add or delete a terminal from the pool according to the registration request and release request of the terminal.
  • the terminal having a machine learning learning function may determine a machine learning model learning mode (eg, not registered, waiting for learning, in learning), and request registration or cancellation from the base station according to the determined mode.
  • the terminal may determine the learning mode based on load, mobility, and the like. Embodiments related to the determination of the learning mode and the registration/release signaling will be described below with reference to FIG. 36 or FIG. 37 .
  • 36 is a diagram illustrating an embodiment of a procedure for controlling a learning mode in a terminal applicable to the present disclosure. 36 exemplifies an operation method of a terminal for controlling a learning mode based on a load amount.
  • the terminal determines the amount of load.
  • the terminal may check at least one of the amount of data (eg, traffic, control message) being transmitted or received for the service currently being consumed, and available resources (eg, memory resource, computational resource, power resource, etc.).
  • available resources eg, memory resource, computational resource, power resource, etc.
  • step S3603 the terminal checks whether the load is less than or equal to a threshold. In other words, the terminal determines whether there is a resource to be allocated to support learning based on the load. In this case, when a plurality of types of loads are considered, the terminal may determine one representative value by combining the plurality of types of loads and compare it with a threshold value. Alternatively, the terminal may sequentially compare a plurality of types of loads with corresponding thresholds.
  • step S3605 the terminal checks the learning mode.
  • the learning mode may be one of 'learning', 'learning standby', and 'not registered'. If the learning mode is 'learning' or 'learning standby', the terminal ends this procedure. That is, since the learning is already possible, there is no need to change the learning mode.
  • step S3607 the terminal transmits a registration message to the base station. That is, the terminal requests the base station to register with the pool.
  • step S3609 the terminal changes to the learning standby mode. Although not shown in FIG. 36 , when configuration information for learning is received from the base station thereafter, the terminal may change to the learning mode.
  • step S3611 the terminal checks the learning mode.
  • the learning mode may be one of 'learning', 'learning standby', and 'not registered'. If the learning mode is 'not registered', the terminal ends this procedure. That is, since the learning is already possible, there is no need to change the learning mode.
  • step S3613 the terminal stops learning. However, if learning is not currently being performed, this step may be omitted.
  • step S3615 the terminal transmits a release message to the base station. In other words, the terminal requests the base station to exclude it from the pool.
  • step S3617 the terminal changes to the unregistered mode.
  • 37 is a diagram illustrating another embodiment of a procedure for controlling a learning mode in a terminal applicable to the present disclosure. 37 illustrates an operation method of a terminal that controls a learning mode based on mobility.
  • the terminal determines mobility.
  • the terminal estimates a change in a channel, a change in a Doppler frequency, or a position, and determines the mobility of the terminal (eg, whether to move or a movement speed) based on the estimation result. For example, mobility may be evaluated in one of several predefined categories.
  • step S3703 the terminal determines whether the mobility change rate is less than or equal to a threshold. For example, the terminal compares the amount of change per unit time of the moving speed and the threshold. If the mobility change rate is large, it is difficult to trust the machine learning model updated through training. Accordingly, the terminal may check the determination results of mobility for a certain period, quantify the degree of mobility change, and compare the quantified degree of mobility change with a threshold value.
  • step S3705 the terminal checks the learning mode.
  • the learning mode may be one of 'learning', 'learning standby', and 'not registered'. If the learning mode is 'learning' or 'learning standby', the terminal ends this procedure. That is, since the learning is already possible, there is no need to change the learning mode.
  • step S3707 the terminal transmits a registration message to the base station. That is, the terminal requests the base station to register with the pool.
  • step S3709 the terminal changes to the learning standby mode. Although not shown in FIG. 37 , when configuration information for learning is received from the base station thereafter, the terminal may change to the learning mode.
  • step S3711 the terminal checks the learning mode.
  • the learning mode may be one of 'learning', 'learning standby', and 'not registered'. If the learning mode is 'not registered', the terminal ends this procedure. That is, since the learning is already possible, there is no need to change the learning mode.
  • step S3713 the terminal stops learning. However, if learning is not currently being performed, this step may be omitted.
  • step S3715 the terminal transmits a release message to the base station. In other words, the terminal requests the base station to exclude it from the pool.
  • step S3717 the terminal changes to the unregistered mode.
  • the base station configures a pool and controls the learning procedure. To this end, the base station selects a terminal to participate in learning. In this case, the base station may first determine whether learning is performed. An embodiment of determining whether to perform learning and selecting a terminal will be described below with reference to FIG. 38 .
  • 38 is a diagram illustrating an embodiment of a procedure for controlling the progress of learning in a base station applicable to the present disclosure. 38 illustrates an operation method of a base station.
  • step S3801 the base station checks whether the machine learning model is trained and performance. That is, the base station checks whether the training of the machine learning model is performed at least once, and evaluates the performance of the machine learning model. For example, the performance of the machine learning model may be evaluated based on at least one of whether an optimization operation is performed, a block error rate (BER), and an elapsed time from recent learning.
  • BER block error rate
  • the base station determines whether additional learning is required. That is, the base station may determine whether additional learning is required based on the performance of the machine learning model. For example, if the optimization of the machine learning model of the base station has not yet been performed, the machine learning model of the base station has been optimized, but the downlink channel estimation performance is determined to be below the standard, or the machine learning model of the base station If the learning of is not performed for a specific period (eg, 1 week, 1 month), the base station may determine that additional learning is required.
  • the performance is below the standard, the BER obtained by statistically analyzing the hybrid automatic repeat request (HARQ) ACK/NACK feedback of the transmitted data based on the downlink channel estimation of the terminal through the machine learning model is less than the threshold. can do. If additional learning is not required, the base station ends this procedure.
  • HARQ hybrid automatic repeat request
  • the base station determines whether resources necessary for learning are secured. For example, the base station may check the usage of managed resources (eg, processor load, radio resources, etc.) and determine whether it is possible to allocate as many resources as necessary for learning. If the resource is not secured, the base station ends this procedure.
  • managed resources eg, processor load, radio resources, etc.
  • the base station checks whether the number of terminals to participate in learning is equal to or greater than a threshold.
  • the terminals to participate in learning include terminals added to the pool in response to the registration request. Accordingly, the base station checks the number of terminals registered in the terminal pool, and compares the checked number with a threshold. That is, the base station checks whether the number of terminals capable of participating in learning is secured above a certain level. If the number of terminals to participate in learning is less than the threshold, the base station terminates this procedure.
  • the base station performs learning. For example, the base station selects a terminal to participate in learning to start learning. In other words, the base station selects at least one terminal to participate in learning from the managed terminal pool. For example, the base station may select the terminals in consideration of at least one of the resources currently available in the base station (eg, downlink resources, uplink resources), the expected location of the terminal, the movement speed of the terminal, and the uplink reference signal reception strength. have.
  • the base station which has selected the terminals, transmits the terminal configuration information necessary to collect data necessary for learning the machine learning model of the base station, and then transmits a downlink reference signal.
  • the base station may further perform an operation of estimating the location of the terminal.
  • the expected location of the terminal may be considered in order to prevent terminals having a distribution concentrated in a specific location from being selected. For example, the base station may select the terminals so that the selected terminals are evenly distributed within the coverage.
  • the base station may further perform an operation of estimating the movement speed of the terminal.
  • the movement speed of the terminal may be considered in order to select terminals suitable for a model to be trained from among the machine learning models classified according to the movement speed.
  • the base station may select at least one terminal among terminals having a movement speed corresponding to a model to be trained.
  • the base station may further perform an operation of measuring the reception strength of the uplink reference signal.
  • the uplink reference signal may include a reference signal transmitted for a purpose other than learning or according to a different procedure.
  • the reception strength of the uplink reference signal may be considered in order to exclude a terminal whose channel quality is too poor.
  • the base station may select at least one terminal from among terminals that have transmitted an uplink reference signal having a reception strength equal to or greater than a threshold.
  • the base station allocates resources necessary for learning.
  • the base station controls so that a channel change does not occur between the transmission time of the uplink reference signal and the transmission time of the downlink reference signal. If the time difference between the transmission time of the uplink reference signal measured in the base station and the transmission time of the downlink reference signal measured in the terminal is large, a channel change may occur. In this case, it can be difficult to obtain accurate labeled data.
  • the base station allocates resources so that the time point at which the terminal transmits the uplink reference signal and the time point at which the base station transmits the downlink reference signal are located within the channel coherence time.
  • the coherent time means a time during which a radio channel is considered not to change.
  • the terminal When the learning procedure is performed by the base station, the terminal provides a signal or information necessary to support learning.
  • the signal or information provided by the terminal is used to derive data or data for learning.
  • the base station generates a training data set and a test data set using information or signals provided from the terminal.
  • 39 is a diagram illustrating another embodiment of signal exchange between a base station and a terminal for learning applicable to the present disclosure. 39 illustrates the exchange of messages and signals between the terminal 3910 and the base station 3920. Although FIG. 39 shows only one terminal, the base station 3920 may perform the procedure of FIG. 39 with a plurality of terminals including the terminal 3910 .
  • the base station 3920 transmits an L3 (layer-3) message including configuration information to the terminal 3910 .
  • the configuration information includes information necessary to participate in learning.
  • the configuration information may include at least one of information related to progress of learning, resource allocation information for reference signals, a format for reporting a measurement result, and resource allocation information.
  • step S3903 the base station 3920 transmits a downlink reference signal to the terminal 3910 . Accordingly, the terminal 3910 may estimate the downlink channel by using the downlink reference signal.
  • step S3905 the terminal 3910 transmits an uplink reference signal to the base station 3920 . Accordingly, the base station 3920 may estimate the uplink channel using the singular link reference signal. That is, the terminal 3910 starts measuring the downlink reference signal according to the configuration information received from the base station 3920 , and simultaneously transmits the uplink reference signal to the base station 3920 according to the configuration information. If necessary, these measurement and transmission operations may be repeatedly performed.
  • the terminal 3910 transmits an L3 message including the measurement result to the base station 3920.
  • the measurement result includes a result of downlink channel estimation using a downlink reference signal.
  • the measurement result may include at least one of a channel matrix, a codeword index, and a compressed channel matrix.
  • the base station 3920 configures the uplink channel information estimated from the uplink reference signal and the measurement result for the downlink channel reported by the terminal 3910 in a pair form, and stores it in the memory in the form of labeled data. have.
  • learning is stopped according to the satisfaction of the given condition. For example, learning may be stopped by one of the steps S3909a, S3909b, and S3909c. Learning may be continued until at least one of the following operations of steps 3009a, S3909b, and S3909c occurs.
  • step 3909a the terminal 3910 checks the expiration of the timer.
  • the timer may be included in the configuration information received in step S3901. That is, the terminal 3910 may stop learning after a predetermined time has elapsed and enter the learning standby mode.
  • the base station 3920 may transmit an L3 message instructing the terminal 3910 to stop learning.
  • the base station 3920 collects a certain amount of training data from a plurality of terminals including the terminal 3910 for a predetermined time, and then performs machine learning model learning using the collected training data. Accordingly, when a sufficient amount of learning data is collected, the base station 3920 may transmit a message instructing to stop learning.
  • the terminal 3910 may transmit an L3 message requesting to stop learning to the base station 3920.
  • the message requesting to stop learning may be transmitted according to a determination according to the situation of the terminal 3910 (eg, determination based on load and mobility). For example, the terminal 3910 periodically checks the terminal load and mobility, transmits a message requesting to stop learning to the base station 3920 if the learning is not in progress, and ends the learning mode.
  • the terminal estimates the downlink channel and reports the measurement result to the base station.
  • the base station may request the terminal to use a machine learning model to measure downlink channel information.
  • the index of the optimal codeword selected in the codebook based on the channel information instead of the channel information itself is fed back.
  • machine learning techniques for significantly reducing uplink resources by using a machine learning model for reporting channel information may be used. Accordingly, the present disclosure proposes an embodiment in which a machine learning model is used in reporting downlink channel information.
  • the base station delivers a machine learning model to be used for downlink channel estimation to all terminals.
  • the terminal may estimate the downlink channel using the obtained machine learning model, and transmit the output to the base station.
  • the input of the machine learning model may be derived from the reception value of the downlink reference signal.
  • the base station can control the downlink channel information generated by using the machine learning model in the terminal to have a form of data required for learning of the base station by utilizing the machine learning model provided to the terminal. Due to this, data processing time and resources required for learning of the base station can be saved.
  • the base station When all the learning data is collected through the reporting procedure from the terminal selected in the participating terminal selection and configuration procedure, the base station performs learning on the machine learning model.
  • the training data is divided into a training data set and an inspection data set, and supervision learning may be performed.
  • the input data includes uplink channel information H UL derived from the uplink reference signal of the terminal, and the labeled data includes downlink channel information H DL measured and reported by the terminal from the downlink reference signal. can do.
  • the trained machine learning model is verified using the inspection data set. For example, when an inference result using the input data included in the inspection data set and the labeled data are compared, and an index indicating a difference between the comparison results exceeds a threshold, verification failure may be declared. If it does not pass the verification criteria, the participation terminal selection procedure may proceed again.
  • the channel can be estimated using the machine learning model.
  • the base station predicts the downlink channel from the uplink reference signal of the terminal using a machine learning model. That is, the base station may perform prediction on the downlink channel by inputting an input value obtained from the uplink reference signal to the machine learning model and performing an inference operation.
  • the base station may derive parameters for performing precoding or beamforming required for downlink data transmission using the estimated downlink channel information, and transmit downlink data using the derived parameters.
  • the base station may use a pool of previously registered terminals. Alternatively, the base station may transmit a message to induce registration with the pool. Since the terminal registered in the pool may be changed, learning may proceed with terminals belonging to a different set from the previous learning.
  • the base station may learn a plurality of machine learning models and estimate a channel using the plurality of machine learning models. That is, the base station operates a plurality of machine learning models, and may selectively use a machine learning model suitable for a condition and/or a situation.
  • a first model 4010, a second model 4020, and a third model 4030 are operated, conditions and/or situations are classified according to a given variable, a first model 4010, One of the second model 4020 and the third model 4030 may be selectively used.
  • the classification criterion is defined based on at least one of the characteristics of the terminal related to the channel to be estimated (eg, movement speed, distance from the base station, etc.), the degree of congestion of the cell, the size of interference from neighboring cells, and the time period.
  • the base station may online learn a machine learning model for performing downlink channel prediction from an uplink reference signal in real time. Accordingly, overhead (eg, CSI (channel state information)-RS (reference signal) transmission resource, CSI feedback resource, delay (eg, channel state information) required to obtain downlink channel information in a communication system based on a machine learning model optimized for the base station environment. latency), etc.) can be reduced.
  • overhead eg, CSI (channel state information)-RS (reference signal) transmission resource, CSI feedback resource, delay (eg, channel state information) required to obtain downlink channel information in a communication system based on a machine learning model optimized for the base station environment. latency), etc.
  • the system can operate a machine learning model optimized for each cell environment. Specifically, by collecting learning data from terminals evenly distributed within each base station, the system can learn various channel environments of the base station, perform downlink estimation of all terminals with the same model, and reduce estimation errors have.
  • examples of the above-described proposed method may also be included as one of the implementation methods of the present disclosure, it is clear that they may be regarded as a kind of proposed method.
  • the above-described proposed methods may be implemented independently, but may also be implemented in the form of a combination (or merge) of some of the proposed methods.
  • Rules can be defined so that the base station informs the terminal of whether the proposed methods are applied or not (or information on the rules of the proposed methods) through a predefined signal (eg, a physical layer signal or a higher layer signal). have.
  • Embodiments of the present disclosure may be applied to various wireless access systems.
  • various radio access systems there is a 3rd Generation Partnership Project (3GPP) or a 3GPP2 system.
  • 3GPP 3rd Generation Partnership Project
  • 3GPP2 3rd Generation Partnership Project2
  • Embodiments of the present disclosure may be applied not only to the various radio access systems, but also to all technical fields to which the various radio access systems are applied. Furthermore, the proposed method can be applied to mmWave and THzWave communication systems using very high frequency bands.
  • embodiments of the present disclosure may be applied to various applications such as free-running vehicles and drones.

Landscapes

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

Abstract

본 개시는 무선 통신 시스템에서 단말 및 기지국의 동작 방법 및 이를 지원하는 장치를 개시한다. 본 개시의 일 예로서, 무선 통신 시스템에서 단말의 동작 방법은, 학습에 관련된 정보를 포함하는 제1 메시지를 송신하는 단계, 학습을 위한 설정(configuration) 정보를 포함하는 제2 메시지를 수신하는 단계, 상향링크 기준 신호를 송신하는 단계, 및 하향링크 기준 신호에 기반하여 측정된 하향링크 채널에 관련된 채널 정보를 송신하는 단계를 포함할 수 있다.

Description

무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치
이하의 설명은 무선 통신 시스템에 대한 것으로, 무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치에 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 효율적으로 추정하기 위한 방법 및 장치에 관한 것이다.
본 개시는 무선 통신 시스템에서 머신 러닝(machine learning)에 기반하여 채널을 추정하기 위한 방법 및 장치에 관한 것이다.
본 개시는 무선 통신 시스템에서 채널 추정을 위한 머신 러닝을 지원하기 위한 방법 및 장치에 관한 것이다.
본 개시에서 이루고자 하는 기술적 목적들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 본 개시의 실시 예들로부터 본 개시의 기술 구성이 적용되는 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말의 동작 방법은, 학습에 관련된 정보를 포함하는 제1 메시지를 송신하는 단계, 학습을 위한 설정(configuration) 정보를 포함하는 제2 메시지를 수신하는 단계, 상향링크 기준 신호를 송신하는 단계, 및 하향링크 기준 신호에 기반하여 측정된 하향링크 채널에 관련된 채널 정보를 송신하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국의 동작 방법은, 단말로부터 학습에 관련된 정보 포함하는 제1 메시지를 수신하는 단계, 상기 단말에게 학습을 위한 설정(configuration) 정보를 포함하는 제2 메시지를 송신하는 단계, 상기 단말로부터 상향링크 기준 신호를 수신하는 단계, 상기 단말로부터 하향링크 기준 신호에 기반하여 측정된 하향링크 채널에 관련된 제1 채널 정보를 수신하는 단계, 및 상기 제1 채널 정보 및 상향링크 기준 신호에 기반하여 측정된 제2 채널 정보를 이용하여 하향링크 채널을 추정하기 위한 머신 러닝 모델에 대한 학습을 수행하는 단계를 포함할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 단말은, 송수신기 및 상기 송수신기와 연결된 프로세서를 포함할 수 있다. 상기 프로세서는, 학습에 관련된 정보를 포함하는 제1 메시지를 송신하고, 학습을 위한 설정(configuration) 정보를 포함하는 제2 메시지를 수신하고, 상향링크 기준 신호를 송신하고, 및 하향링크 기준 신호에 기반하여 측정된 하향링크 채널에 관련된 채널 정보를 송신하도록 제어할 수 있다.
본 개시의 일 예로서, 무선 통신 시스템에서 기지국은, 송수신기 및 상기 송수신기와 연결된 프로세서를 포함할 수 있다. 상기 프로세서는, 단말로부터 학습에 관련된 정보 포함하는 제1 메시지를 수신하고, 상기 단말에게 학습을 위한 설정(configuration) 정보를 포함하는 제2 메시지를 송신하고, 상기 단말로부터 상향링크 기준 신호를 수신하고, 상기 단말로부터 하향링크 기준 신호에 기반하여 측정된 하향링크 채널에 관련된 제1 채널 정보를 수신하고, 및 상기 제1 채널 정보 및 상향링크 기준 신호에 기반하여 측정된 제2 채널 정보를 이용하여 하향링크 채널을 추정하기 위한 머신 러닝 모델에 대한 학습을 수행하도록 제어할 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, 무선 통신 시스템에서 운영 중 채널 추정을 위한 머신 러닝 모델의 학습이 효과적으로 수행될 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 적용되는 통신 시스템 예시를 도시한 도면이다.
도 2는 본 개시에 적용될 수 있는 무선 기기의 예시를 도시한 도면이다.
도 3은 본 개시에 적용되는 무선 기기의 다른 예시를 도시한 도면이다.
도 4는 본 개시에 적용되는 휴대 기기의 예시를 도시한 도면이다.
도 5는 본 개시에 적용되는 차량 또는 자율 주행 차량의 예시를 도시한 도면이다.
도 6은 본 개시에 적용되는 이동체의 예시를 도시한 도면이다.
도 7은 본 개시에 적용되는 XR 기기의 예시를 도시한 도면이다.
도 8은 본 개시에 적용되는 로봇의 예시를 도시한 도면이다.
도 9는 본 개시에 적용되는 AI(artificial intelligence) 기기의 예시를 도시한 도면이다.
도 10은 본 개시에 적용되는 물리 채널들 및 이들을 이용한 신호 전송 방법을 도시한 도면이다.
도 11은 본 개시에 적용되는 무선 인터페이스 프로토콜(radio interface protocol)의 제어평면(control plane) 및 사용자 평면(user plane) 구조를 도시한 도면이다.
도 12는 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한 도면이다.
도 13은 본 개시에 적용 가능한 무선 프레임의 구조를 도시한 도면이다.
도 14는 본 개시에 적용 가능한 슬롯 구조를 도시한 도면이다.
도 15는 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한 도면이다.
도 16은 본 개시에 적용 가능한 전자기 스펙트럼을 도시한 도면이다.
도 17은 본 개시에 적용 가능한 THz 통신 방법을 도시한 도면이다.
도 18은 본 개시에 적용 가능한 THz 무선 통신 송수신기를 도시한 도면이다.
도 19는 본 개시에 적용 가능한 THz 신호 생성 방법을 도시한 도면이다.
도 20은 본 개시에 적용 가능한 무선 통신 송수신기를 도시한 도면이다.
도 21은 본 개시에 적용 가능한 송신기 구조를 도시한 도면이다.
도 22는 본 개시에 적용 가능한 변조기 구조를 도시한 도면이다.
도 23은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 나타낸 도면이다.
도 24는 본 개시에 적용 가능한 인공 신경망 구조를 나타낸 도면이다.
도 25는 본 개시에 적용 가능한 심층 신경망을 나타낸 도면이다.
도 26은 본 개시에 적용 가능한 컨볼루션 신경망을 나타낸 도면이다.
도 27은 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 나타낸 도면이다.
도 28은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 나타낸 도면이다.
도 29는 본 개시에 적용 가능한 순환 신경망의 동작 구조를 나타낸 도면이다.
도 30은 본 개시에 적용 가능한 머신 러닝(machine learning) 기반의 채널 추정을 수행하는 시스템의 개념을 나타내는 도면이다.
도 31은 본 개시에 적용 가능한 머신 러닝 모델에 대한 학습 및 추론(inference)을 나타내는 도면이다.
도 32는 본 개시에 적용 가능한 머신 러닝 모델의 학습 절차를 나타내는 도면이다.
도 33은 본 개시에 적용 가능한 단말에서 학습을 지원하는 절차의 일 실시 예를 나타내는 도면이다.
도 34는 본 개시에 적용 가능한 기지국에서 학습을 수행하는 절차의 일 실시 예를 나타내는 도면이다.
도 35는 본 개시에 적용 가능한 학습을 수행하기 위한 신호 교환의 일 실시 예를 나타내는 도면이다.
도 36은 본 개시에 적용 가능한 단말에서 학습 모드를 제어하는 절차의 일 실시 예를 나타내는 도면이다.
도 37은 본 개시에 적용 가능한 단말에서 학습 모드를 제어하는 절차의 다른 실시 예를 나타내는 도면이다.
도 38은 본 개시에 적용 가능한 기지국에서 학습의 진행을 제어하는 절차의 일 실시 예를 나타내는 도면이다.
도 39는 본 개시에 적용 가능한 학습을 위한 기지국 및 단말 간 신호 교환의 다른 실시 예를 나타내는 도면이다.
도 40은 본 개시에 적용 가능한 복수의 머신 러닝 모델들의 분류 예를 나타내는 도면이다.
이하의 실시 예들은 본 개시의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 개시의 실시 예를 구성할 수도 있다. 본 개시의 실시 예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시 예의 일부 구성이나 특징은 다른 실시 예에 포함될 수 있고, 또는 다른 실시 예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 본 개시의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당업자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 개시를 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 명세서에서 본 개시의 실시 예들은 기지국과 이동국 간의 데이터 송수신 관계를 중심으로 설명되었다. 여기서, 기지국은 이동국과 직접적으로 통신을 수행하는 네트워크의 종단 노드(terminal node)로서의 의미가 있다. 본 문서에서 기지국에 의해 수행되는 것으로 설명된 특정 동작은 경우에 따라서는 기지국의 상위 노드(upper node)에 의해 수행될 수도 있다.
즉, 기지국을 포함하는 다수의 네트워크 노드들(network nodes)로 이루어지는 네트워크에서 이동국과의 통신을 위해 수행되는 다양한 동작들은 기지국 또는 기지국 이외의 다른 네트워크 노드들에 의해 수행될 수 있다. 이때, '기지국'은 고정국(fixed station), Node B, eNB(eNode B), gNB(gNode B), ng-eNB, 발전된 기지국(advanced base station, ABS) 또는 억세스 포인트(access point) 등의 용어에 의해 대체될 수 있다.
또한, 본 개시의 실시 예들에서 단말(terminal)은 사용자 기기(user equipment, UE), 이동국(mobile station, MS), 가입자국(subscriber station, SS), 이동 가입자 단말(mobile subscriber station, MSS), 이동 단말(mobile terminal) 또는 발전된 이동 단말(advanced mobile station, AMS) 등의 용어로 대체될 수 있다.
또한, 송신단은 데이터 서비스 또는 음성 서비스를 제공하는 고정 및/또는 이동 노드를 말하고, 수신단은 데이터 서비스 또는 음성 서비스를 수신하는 고정 및/또는 이동 노드를 의미한다. 따라서, 상향링크의 경우, 이동국이 송신단이 되고, 기지국이 수신단이 될 수 있다. 마찬가지로, 하향링크의 경우, 이동국이 수신단이 되고, 기지국이 송신단이 될 수 있다.
본 개시의 실시 예들은 무선 접속 시스템들인 IEEE 802.xx 시스템, 3GPP(3rd Generation Partnership Project) 시스템, 3GPP LTE(Long Term Evolution) 시스템, 3GPP 5G(5th generation) NR(New Radio) 시스템 및 3GPP2 시스템 중 적어도 하나에 개시된 표준 문서들에 의해 뒷받침될 수 있으며, 특히, 본 개시의 실시 예들은 3GPP TS(technical specification) 38.211, 3GPP TS 38.212, 3GPP TS 38.213, 3GPP TS 38.321 및 3GPP TS 38.331 문서들에 의해 뒷받침 될 수 있다.
또한, 본 개시의 실시 예들은 다른 무선 접속 시스템에도 적용될 수 있으며, 상술한 시스템으로 한정되는 것은 아니다. 일 예로, 3GPP 5G NR 시스템 이후에 적용되는 시스템에 대해서도 적용 가능할 수 있으며, 특정 시스템에 한정되지 않는다.
즉, 본 개시의 실시 예들 중 설명하지 않은 자명한 단계들 또는 부분들은 상기 문서들을 참조하여 설명될 수 있다. 또한, 본 문서에서 개시하고 있는 모든 용어들은 상기 표준 문서에 의해 설명될 수 있다.
이하, 본 개시에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 개시의 예시적인 실시 형태를 설명하고자 하는 것이며, 본 개시의 기술 구성이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 본 개시의 실시 예들에서 사용되는 특정 용어들은 본 개시의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 개시의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
이하의 기술은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 등과 같은 다양한 무선 접속 시스템에 적용될 수 있다.
이하 설명을 명확하게 하기 위해, 3GPP 통신 시스템(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 무선 기기
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, 스마트워치, 스마트글래스), 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. 구동부(540a)는 차량 또는 자율 주행 차량(500)을 지상에서 주행하게 할 수 있다. 구동부(540a)는 엔진, 모터, 파워 트레인, 바퀴, 브레이크, 조향 장치 등을 포함할 수 있다. 전원공급부(540b)는 차량 또는 자율 주행 차량(500)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다. 센서부(540c)는 차량 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(540c)는 IMU(inertial measurement unit) 센서, 충돌 센서, 휠 센서(wheel sensor), 속도 센서, 경사 센서, 중량 감지 센서, 헤딩 센서(heading sensor), 포지션 모듈(position module), 차량 전진/후진 센서, 배터리 센서, 연료 센서, 타이어 센서, 스티어링 센서, 온도 센서, 습도 센서, 초음파 센서, 조도 센서, 페달 포지션 센서 등을 포함할 수 있다. 자율 주행부(540d)는 주행중인 차선을 유지하는 기술, 어댑티브 크루즈 컨트롤과 같이 속도를 자동으로 조절하는 기술, 정해진 경로를 따라 자동으로 주행하는 기술, 목적지가 설정되면 자동으로 경로를 설정하여 주행하는 기술 등을 구현할 수 있다.
일 예로, 통신부(510)는 외부 서버로부터 지도 데이터, 교통 정보 데이터 등을 수신할 수 있다. 자율 주행부(540d)는 획득된 데이터를 기반으로 자율 주행 경로와 드라이빙 플랜을 생성할 수 있다. 제어부(520)는 드라이빙 플랜에 따라 차량 또는 자율 주행 차량(500)이 자율 주행 경로를 따라 이동하도록 구동부(540a)를 제어할 수 있다(예, 속도/방향 조절). 자율 주행 도중에 통신부(510)는 외부 서버로부터 최신 교통 정보 데이터를 비/주기적으로 획득하며, 주변 차량으로부터 주변 교통 정보 데이터를 획득할 수 있다. 또한, 자율 주행 도중에 센서부(540c)는 차량 상태, 주변 환경 정보를 획득할 수 있다. 자율 주행부(540d)는 새로 획득된 데이터/정보에 기반하여 자율 주행 경로와 드라이빙 플랜을 갱신할 수 있다. 통신부(510)는 차량 위치, 자율 주행 경로, 드라이빙 플랜 등에 관한 정보를 외부 서버로 전달할 수 있다. 외부 서버는 차량 또는 자율 주행 차량들로부터 수집된 정보에 기반하여, AI 기술 등을 이용하여 교통 정보 데이터를 미리 예측할 수 있고, 예측된 교통 정보 데이터를 차량 또는 자율 주행 차량들에게 제공할 수 있다.
도 6은 본 개시에 적용되는 이동체의 예시를 도시한 도면이다.
도 6을 참조하면, 본 개시에 적용되는 이동체는 운송수단, 기차, 비행체 및 선박 중 적어도 어느 하나로 구현될 수 있다. 또한, 본 개시에 적용되는 이동체는 다른 형태로 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
이때, 도 6을 참조하면, 이동체(600)은 통신부(610), 제어부(620), 메모리부(630), 입출력부(640a) 및 위치 측정부(640b)를 포함할 수 있다. 여기서, 블록 610~630/640a~640b는 각각 도 3의 블록 310~330/340에 대응한다.
통신부(610)는 다른 이동체, 또는 기지국 등의 외부 기기들과 신호(예, 데이터, 제어 신호 등)를 송수신할 수 있다. 제어부(620)는 이동체(600)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(630)는 이동체(600)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(640a)는 메모리부(630) 내의 정보에 기반하여 AR/VR 오브젝트를 출력할 수 있다. 입출력부(640a)는 HUD를 포함할 수 있다. 위치 측정부(640b)는 이동체(600)의 위치 정보를 획득할 수 있다. 위치 정보는 이동체(600)의 절대 위치 정보, 주행선 내에서의 위치 정보, 가속도 정보, 주변 차량과의 위치 정보 등을 포함할 수 있다. 위치 측정부(640b)는 GPS 및 다양한 센서들을 포함할 수 있다.
일 예로, 이동체(600)의 통신부(610)는 외부 서버로부터 지도 정보, 교통 정보 등을 수신하여 메모리부(630)에 저장할 수 있다. 위치 측정부(640b)는 GPS 및 다양한 센서를 통하여 이동체 위치 정보를 획득하여 메모리부(630)에 저장할 수 있다. 제어부(620)는 지도 정보, 교통 정보 및 이동체 위치 정보 등에 기반하여 가상 오브젝트를 생성하고, 입출력부(640a)는 생성된 가상 오브젝트를 이동체 내 유리창에 표시할 수 있다(651, 652). 또한, 제어부(620)는 이동체 위치 정보에 기반하여 이동체(600)가 주행선 내에서 정상적으로 운행되고 있는지 판단할 수 있다. 이동체(600)가 주행선을 비정상적으로 벗어나는 경우, 제어부(620)는 입출력부(640a)를 통해 이동체 내 유리창에 경고를 표시할 수 있다. 또한, 제어부(620)는 통신부(610)를 통해 주변 이동체들에게 주행 이상에 관한 경고 메세지를 방송할 수 있다. 상황에 따라, 제어부(620)는 통신부(610)를 통해 관계 기관에게 이동체의 위치 정보와, 주행/이동체 이상에 관한 정보를 전송할 수 있다.
도 7은 본 개시에 적용되는 XR 기기의 예시를 도시한 도면이다. XR 기기는 HMD, 차량에 구비된 HUD(head-up display), 텔레비전, 스마트폰, 컴퓨터, 웨어러블 디바이스, 가전 기기, 디지털 사이니지(signage), 차량, 로봇 등으로 구현될 수 있다.
도 7을 참조하면, XR 기기(700a)는 통신부(710), 제어부(720), 메모리부(730), 입출력부(740a), 센서부(740b) 및 전원 공급부(740c)를 포함할 수 있다. 여기서, 블록 710~730/740a~740c은 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(710)는 다른 무선 기기, 휴대 기기, 또는 미디어 서버 등의 외부 기기들과 신호(예, 미디어 데이터, 제어 신호 등)를 송수신할 수 있다. 미디어 데이터는 영상, 이미지, 소리 등을 포함할 수 있다. 제어부(720)는 XR 기기(700a)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 예를 들어, 제어부(720)는 비디오/이미지 획득, (비디오/이미지) 인코딩, 메타데이터 생성 및 처리 등의 절차를 제어 및/또는 수행하도록 구성될 수 있다. 메모리부(730)는 XR 기기(700a)의 구동/XR 오브젝트의 생성에 필요한 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다.
입출력부(740a)는 외부로부터 제어 정보, 데이터 등을 획득하며, 생성된 XR 오브젝트를 출력할 수 있다. 입출력부(740a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센서부(740b)는 XR 기기 상태, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(740b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB(red green blue) 센서, IR(infrared) 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰 및/또는 레이더 등을 포함할 수 있다. 전원공급부(740c)는 XR 기기(700a)에게 전원을 공급하며, 유/무선 충전 회로, 배터리 등을 포함할 수 있다.
일 예로, XR 기기(700a)의 메모리부(730)는 XR 오브젝트(예, AR/VR/MR 오브젝트)의 생성에 필요한 정보(예, 데이터 등)를 포함할 수 있다. 입출력부(740a)는 사용자로부터 XR 기기(700a)를 조작하는 명령을 획득할 수 있으며, 제어부(720)는 사용자의 구동 명령에 따라 XR 기기(700a)를 구동시킬 수 있다. 예를 들어, 사용자가 XR 기기(700a)를 통해 영화, 뉴스 등을 시청하려고 하는 경우, 제어부(720)는 통신부(730)를 통해 컨텐츠 요청 정보를 다른 기기(예, 휴대 기기(700b)) 또는 미디어 서버에 전송할 수 있다. 통신부(730)는 다른 기기(예, 휴대 기기(700b)) 또는 미디어 서버로부터 영화, 뉴스 등의 컨텐츠를 메모리부(730)로 다운로드/스트리밍 받을 수 있다. 제어부(720)는 컨텐츠에 대해 비디오/이미지 획득, (비디오/이미지) 인코딩, 메타데이터 생성/처리 등의 절차를 제어 및/또는 수행하며, 입출력부(740a)/센서부(740b)를 통해 획득한 주변 공간 또는 현실 오브젝트에 대한 정보에 기반하여 XR 오브젝트를 생성/출력할 수 있다.
또한, XR 기기(700a)는 통신부(710)를 통해 휴대 기기(700b)와 무선으로 연결되며, XR 기기(700a)의 동작은 휴대 기기(700b)에 의해 제어될 수 있다. 예를 들어, 휴대 기기(700b)는 XR 기기(700a)에 대한 콘트롤러로 동작할 수 있다. 이를 위해, XR 기기(700a)는 휴대 기기(700b)의 3차원 위치 정보를 획득한 뒤, 휴대 기기(700b)에 대응하는 XR 개체를 생성하여 출력할 수 있다.
도 8은 본 개시에 적용되는 로봇의 예시를 도시한 도면이다. 일 예로, 로봇은 사용 목적이나 분야에 따라 산업용, 의료용, 가정용, 군사용 등으로 분류될 수 있다. 이때, 도 8을 참조하면, 로봇(800)은 통신부(810), 제어부(820), 메모리부(830), 입출력부(840a), 센서부(840b) 및 구동부(840c)를 포함할 수 있다. 여기서, 블록 810~830/840a~840c은 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(810)는 다른 무선 기기, 다른 로봇, 또는 제어 서버 등의 외부 기기들과 신호(예, 구동 정보, 제어 신호 등)를 송수신할 수 있다. 제어부(820)는 로봇(800)의 구성 요소들을 제어하여 다양한 동작을 수행할 수 있다. 메모리부(830)는 로봇(800)의 다양한 기능을 지원하는 데이터/파라미터/프로그램/코드/명령을 저장할 수 있다. 입출력부(840a)는 로봇(800)의 외부로부터 정보를 획득하며, 로봇(800)의 외부로 정보를 출력할 수 있다. 입출력부(840a)는 카메라, 마이크로폰, 사용자 입력부, 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다.
센서부(840b)는 로봇(800)의 내부 정보, 주변 환경 정보, 사용자 정보 등을 얻을 수 있다. 센서부(840b)는 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 레이더 등을 포함할 수 있다.
구동부(840c)는 로봇 관절을 움직이는 등의 다양한 물리적 동작을 수행할 수 있다. 또한, 구동부(840c)는 로봇(800)을 지상에서 주행하거나 공중에서 비행하게 할 수 있다. 구동부(840c)는 액츄에이터, 모터, 바퀴, 브레이크, 프로펠러 등을 포함할 수 있다.
도 9는 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 9를 참조하면, AI 기기(900)는 통신부(910), 제어부(920), 메모리부(930), 입/출력부(940a/940b), 러닝 프로세서부(940c) 및 센서부(940d)를 포함할 수 있다. 블록 910~930/940a~940d는 각각 도 3의 블록 310~330/340에 대응할 수 있다.
통신부(910)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(910)는 메모리부(930) 내의 정보를 외부 기기로 전송하거나, 외부 기기로부터 수신된 신호를 메모리부(930)로 전달할 수 있다.
제어부(920)는 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, AI 기기(900)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 제어부(920)는 AI 기기(900)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다. 예를 들어, 제어부(920)는 러닝 프로세서부(940c) 또는 메모리부(930)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 AI 기기(900)의 구성 요소들을 제어할 수 있다. 또한, 제어부(920)는 AI 장치(900)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리부(930) 또는 러닝 프로세서부(940c)에 저장하거나, AI 서버(도 1, 140) 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 갱신하는데 이용될 수 있다.
메모리부(930)는 AI 기기(900)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예를 들어, 메모리부(930)는 입력부(940a)로부터 얻은 데이터, 통신부(910)로부터 얻은 데이터, 러닝 프로세서부(940c)의 출력 데이터, 및 센싱부(940)로부터 얻은 데이터를 저장할 수 있다. 또한, 메모리부(930)는 제어부(920)의 동작/실행에 필요한 제어 정보 및/또는 소프트웨어 코드를 저장할 수 있다.
입력부(940a)는 AI 기기(900)의 외부로부터 다양한 종류의 데이터를 획득할 수 있다. 예를 들어, 입력부(920)는 모델 학습을 위한 학습 데이터, 및 학습 모델이 적용될 입력 데이터 등을 획득할 수 있다. 입력부(940a)는 카메라, 마이크로폰 및/또는 사용자 입력부 등을 포함할 수 있다. 출력부(940b)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다. 출력부(940b)는 디스플레이부, 스피커 및/또는 햅틱 모듈 등을 포함할 수 있다. 센싱부(940)는 다양한 센서들을 이용하여 AI 기기(900)의 내부 정보, AI 기기(900)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 얻을 수 있다. 센싱부(940)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(940c)는 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 러닝 프로세서부(940c)는 AI 서버(도 1, 140)의 러닝 프로세서부와 함께 AI 프로세싱을 수행할 수 있다. 러닝 프로세서부(940c)는 통신부(910)를 통해 외부 기기로부터 수신된 정보, 및/또는 메모리부(930)에 저장된 정보를 처리할 수 있다. 또한, 러닝 프로세서부(940c)의 출력 값은 통신부(910)를 통해 외부 기기로 전송되거나/되고, 메모리부(930)에 저장될 수 있다.
물리 채널들 및 일반적인 신호 전송
무선 접속 시스템에서 단말은 하향링크(downlink, DL)를 통해 기지국으로부터 정보를 수신하고, 상향링크(uplink, UL)를 통해 기지국으로 정보를 전송할 수 있다. 기지국과 단말이 송수신하는 정보는 일반 데이터 정보 및 다양한 제어 정보를 포함하고, 이들이 송수신 하는 정보의 종류/용도에 따라 다양한 물리 채널이 존재한다.
도 10은 본 개시에 적용되는 물리 채널들 및 이들을 이용한 신호 전송 방법을 도시한 도면이다.
전원이 꺼진 상태에서 다시 전원이 켜지거나, 새로이 셀에 진입한 단말은 S1011 단계에서 기지국과 동기를 맞추는 등의 초기 셀 탐색(initial cell search) 작업을 수행한다. 이를 위해 단말은 기지국으로부터 주동기 채널(primary synchronization channel, P-SCH) 및 부동기 채널(secondary synchronization channel, S-SCH)을 수신하여 기지국과 동기를 맞추고, 셀 ID 등의 정보를 획득할 수 있다.
그 후, 단말은 기지국으로부터 물리 방송 채널(physical broadcast channel, PBCH) 신호를 수신하여 셀 내 방송 정보를 획득할 수 있다. 한편, 단말은 초기 셀 탐색 단계에서 하향링크 참조 신호 (DL RS: Downlink Reference Signal)를 수신하여 하향링크 채널 상태를 확인할 수 있다. 초기 셀 탐색을 마친 단말은 S1012 단계에서 물리 하향링크 제어 채널(physical downlink control channel, PDCCH) 및 물리 하향링크 제어 채널 정보에 따른 물리 하향링크 공유 채널(physical downlink control channel, PDSCH)을 수신하여 조금 더 구체적인 시스템 정보를 획득할 수 있다.
이후, 단말은 기지국에 접속을 완료하기 위해 이후 단계 S1013 내지 단계 S1016과 같은 임의 접속 과정(random access procedure)을 수행할 수 있다. 이를 위해 단말은 물리 임의 접속 채널(physical random access channel, PRACH)을 통해 프리앰블 (preamble)을 전송하고(S1013), 물리 하향링크 제어 채널 및 이에 대응하는 물리 하향링크 공유 채널을 통해 프리앰블에 대한 RAR(random access response)를 수신할 수 있다(S1014). 단말은 RAR 내의 스케줄링 정보를 이용하여 PUSCH(physical uplink shared channel)을 전송하고(S1015), 물리 하향링크 제어채널 신호 및 이에 대응하는 물리 하향링크 공유 채널 신호의 수신과 같은 충돌 해결 절차(contention resolution procedure)를 수행할 수 있다(S1016).
상술한 바와 같은 절차를 수행한 단말은 이후 일반적인 상/하향링크 신호 전송 절차로서 물리 하향링크 제어 채널 신호 및/또는 물리 하향링크 공유 채널 신호의 수신(S1017) 및 물리 상향링크 공유 채널(physical uplink shared channel, PUSCH) 신호 및/또는 물리 상향링크 제어 채널(physical uplink control channel, PUCCH) 신호의 전송(S1018)을 수행할 수 있다.
단말이 기지국으로 전송하는 제어정보를 통칭하여 상향링크 제어정보(uplink control information, UCI)라고 지칭한다. UCI는 HARQ-ACK/NACK(hybrid automatic repeat and request acknowledgement/negative-ACK), SR(scheduling request), CQI(channel quality indication), PMI(precoding matrix indication), RI(rank indication), BI(beam indication) 정보 등을 포함한다. 이때, UCI는 일반적으로 PUCCH를 통해 주기적으로 전송되지만, 실시 예에 따라(예, 제어정보와 트래픽 데이터가 동시에 전송되어야 할 경우) PUSCH를 통해 전송될 수 있다. 또한, 네트워크의 요청/지시에 의해 단말은 PUSCH를 통해 UCI를 비주기적으로 전송할 수 있다.
도 11은 본 개시에 적용되는 무선 인터페이스 프로토콜(radio interface protocol)의 제어평면(control plane) 및 사용자 평면(user plane) 구조를 도시한 도면이다.
도 11을 참조하면, 엔티티 1(Entity 1)은 단말(user equipment, UE)일 수 있다. 이때, 단말이라 함은 상술한 도 1 내지 도 9에서 본 개시가 적용되는 무선 기기, 휴대 기기, 차량, 이동체, XR 기기, 로봇 및 AI 중 적어도 어느 하나일 수 있다. 또한, 단말은 본 개시가 적용될 수 있는 장치를 지칭하는 것으로 특정 장치나 기기로 한정되지 않을 수 있다.
엔티티 2(Entity 2)는 기지국일 수 있다. 이때, 기지국은 eNB, gNB 및 ng-eNB 중 적어도 어느 하나일 수 있다. 또한, 기지국은 단말로 하향링크 신호를 전송하는 장치를 지칭할 수 있으며, 특정 타입이나 장치로 한정되지 않을 수 있다. 즉, 기지국은 다양한 형태나 타입으로 구현될 수 있으며, 특정 형태로 한정되지 않을 수 있다.
엔티티 3(Entity 3)은 네트워크 장치 또는 네트워크 펑션을 수행하는 기기일 수 있다. 이때, 네트워크 장치는 이동성을 관리하는 코어망 노드(core network node)(예, MME(mobility management entity), AMF(access and mobility management function) 등)일 수 있다. 또한, 네트워크 펑션은 네트워크 기능을 수행하기 위해 구현되는 펑션(function)을 의미할 수 있으며, 엔티티 3은 펑션이 적용된 기기일 수 있다. 즉, 엔티티 3은 네트워크 기능을 수행하는 펑션이나 기기를 지칭할 수 있으며, 특정 형태의 기기로 한정되지 않는다.
제어평면은 단말(user equipment, UE)과 네트워크가 호를 관리하기 위해서 이용하는 제어 메시지들이 전송되는 통로를 의미할 수 있다. 또한, 사용자평면은 애플리케이션 계층에서 생성된 데이터, 예를 들어, 음성 데이터 또는 인터넷 패킷 데이터 등이 전송되는 통로를 의미할 수 있다. 이때, 제1 계층인 물리계층은 물리채널(physical channel)을 이용하여 상위 계층에게 정보 전송 서비스(information transfer service)를 제공할 수 있다. 물리계층은 상위에 있는 매체접속제어(medium access control) 계층과는 전송채널을 통해 연결되어 있다. 이때, 전송채널을 통해 매체접속제어 계층과 물리계층 사이에 데이터가 이동할 수 있다. 송신 측과 수신 측의 물리계층 사이는 물리채널을 통해 데이터가 이동할 수 있다. 이때, 물리채널은 시간과 주파수를 무선 자원으로 활용한다.
제2 계층의 매체접속제어(medium access control, MAC) 계층은 논리채널(logical channel)을 통해 상위계층인 무선링크제어(radio link control, RLC) 계층에 서비스를 제공한다. 제2 계층의 RLC 계층은 신뢰성 있는 데이터 전송을 지원할 수 있다. RLC 계층의 기능은 MAC 내부의 기능 블록으로 구현될 수도 있다. 제2 계층의 PDCP(packet data convergence protocol) 계층은 대역폭이 좁은 무선 인터페이스에서 IPv4 나 IPv6 와 같은 IP 패킷을 효율적으로 전송하기 위해 불필요한 제어정보를 줄여주는 헤더 압축(header compression) 기능을 수행할 수 있다. 제3 계층의 최하부에 위치한 무선 자원제어(radio resource control, RRC) 계층은 제어평면에서만 정의된다. RRC 계층은 무선 베어러(radio bearer, RB)들의 설정(configuration), 재설정(re-configuration) 및 해제(release)와 관련되어 논리채널, 전송채널 및 물리채널들의 제어를 담당할 수 있다. RB는 단말과 네트워크 간의 데이터 전달을 위해 제2 계층에 의해 제공되는 서비스를 의미할 수 있다. 이를 위해, 단말과 네트워크의 RRC 계층은 서로 RRC 메시지를 교환할 수 있다. RRC 계층의 상위에 있는 NAS(non-access stratum) 계층은 세션 관리(session management)와 이동성 관리(mobility management) 등의 기능을 수행할 수 있다. 기지국을 구성하는 하나의 셀은 다양한 대역폭 중 하나로 설정되어 여러 단말에게 하향 또는 상향 전송 서비스를 제공할 수 있다. 서로 다른 셀은 서로 다른 대역폭을 제공하도록 설정될 수 있다. 네트워크에서 단말로 데이터를 전송하는 하향 전송채널은 시스템 정보를 전송하는 BCH(broadcast channel), 페이징 메시지를 전송하는 PCH(paging channel), 사용자 트래픽이나 제어 메시지를 전송하는 하향 SCH(shared channel) 등이 있다. 하향 멀티캐스트 또는 방송 서비스의 트래픽 또는 제어 메시지의 경우, 하향 SCH를 통해 전송될 수도 있고, 또는 별도의 하향 MCH(Multicast Channel)을 통해 전송될 수도 있다. 한편, 단말에서 네트워크로 데이터를 전송하는 상향 전송채널로는 초기 제어 메시지를 전송하는 RACH(random access channel), 사용자 트래픽이나 제어 메시지를 전송하는 상향 SCH(shared channel)가 있다. 전송채널의 상위에 있으며, 전송채널에 매핑되는 논리채널(logical channel)로는 BCCH(broadcast control channel), PCCH(paging control channel), CCCH(common control channel), MCCH(multicast control channel) 및 MTCH(multicast traffic channel) 등이 있다.
도 12는 본 개시에 적용되는 전송 신호를 처리하는 방법을 도시한 도면이다. 일 예로, 전송 신호는 신호 처리 회로에 의해 처리될 수 있다. 이때, 신호 처리 회로(1200)는 스크램블러(1210), 변조기(1220), 레이어 매퍼(1230), 프리코더(1240), 자원 매퍼(1250), 신호 생성기(1260)를 포함할 수 있다. 이때, 일 예로, 도 12의 동작/기능은 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 수행될 수 있다. 또한, 일 예로, 도 12의 하드웨어 요소는 도 2의 프로세서(202a, 202b) 및/또는 송수신기(206a, 206b)에서 구현될 수 있다. 일 예로, 블록 1010~1060은 도 2의 프로세서(202a, 202b)에서 구현될 수 있다. 또한, 블록 1210~1250은 도 2의 프로세서(202a, 202b)에서 구현되고, 블록 1260은 도 2의 송수신기(206a, 206b)에서 구현될 수 있으며, 상술한 실시 예로 한정되지 않는다.
코드워드는 도 12의 신호 처리 회로(1200)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 도 10의 다양한 물리 채널(예, PUSCH, PDSCH)을 통해 전송될 수 있다. 구체적으로, 코드워드는 스크램블러(1210)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(1220)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(1230)에 의해 하나 이상의 전송 레이어로 매핑될 수 있다. 각 전송 레이어의 변조 심볼들은 프리코더(1240)에 의해 해당 안테나 포트(들)로 매핑될 수 있다(프리코딩). 프리코더(1240)의 출력 z는 레이어 매퍼(1230)의 출력 y를 N*M의 프리코딩 행렬 W와 곱해 얻을 수 있다. 여기서, N은 안테나 포트의 개수, M은 전송 레이어의 개수이다. 여기서, 프리코더(1240)는 복소 변조 심볼들에 대한 트랜스폼(transform) 프리코딩(예, DFT(discrete fourier transform) 변환)을 수행한 이후에 프리코딩을 수행할 수 있다. 또한, 프리코더(1240)는 트랜스폼 프리코딩을 수행하지 않고 프리코딩을 수행할 수 있다.
자원 매퍼(1250)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(1260)는 매핑된 변조 심볼들로부터 무선 신호를 생성하며, 생성된 무선 신호는 각 안테나를 통해 다른 기기로 전송될 수 있다. 이를 위해, 신호 생성기(1260)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 12의 신호 처리 과정(1210~1260)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.
도 13은 본 개시에 적용 가능한 무선 프레임의 구조를 도시한 도면이다.
NR 시스템에 기초한 상향링크 및 하향링크 전송은 도 13과 같은 프레임에 기초할 수 있다. 이때, 하나의 무선 프레임은 10ms의 길이를 가지며, 2개의 5ms 하프-프레임(half-frame, HF)으로 정의될 수 있다. 하나의 하프-프레임은 5개의 1ms 서브프레임(subframe, SF)으로 정의될 수 있다. 하나의 서브프레임은 하나 이상의 슬롯으로 분할되며, 서브프레임 내 슬롯 개수는 SCS(subcarrier spacing)에 의존할 수 있다. 이때, 각 슬롯은 CP(cyclic prefix)에 따라 12개 또는 14개의 OFDM(A) 심볼들을 포함할 수 있다. 일반 CP(normal CP)가 사용되는 경우, 각 슬롯은 14개의 심볼들을 포함할 수 있다. 확장 CP(extended CP)가 사용되는 경우, 각 슬롯은 12개의 심볼들을 포함할 수 있다. 여기서, 심볼은 OFDM 심볼(또는, CP-OFDM 심볼), SC-FDMA 심볼(또는, DFT-s-OFDM 심볼)을 포함할 수 있다.
표 1은 일반 CP가 사용되는 경우, SCS에 따른 슬롯 별 심볼의 개수, 프레임 별 슬롯의 개수 및 서브프레임 별 슬롯의 개수를 나타내고, 표 2는 확장된 CSP가 사용되는 경우, SCS에 따른 슬롯 별 심볼의 개수, 프레임 별 슬롯의 개수 및 서브프레임 별 슬롯의 개수를 나타낸다.
Figure PCTKR2020008996-appb-I000001
Figure PCTKR2020008996-appb-I000002
Figure PCTKR2020008996-appb-I000003
Figure PCTKR2020008996-appb-I000004
0 14 10 1
1 14 20 2
2 14 40 4
3 14 80 8
4 14 160 16
5 14 320 32
Figure PCTKR2020008996-appb-I000005
Figure PCTKR2020008996-appb-I000006
Figure PCTKR2020008996-appb-I000007
Figure PCTKR2020008996-appb-I000008
2 12 40 4
상기 표 1 및 표 2에서, Nslot symb 는 슬롯 내 심볼의 개수를 나타내고, Nframe,μ slot는 프레임 내 슬롯의 개수를 나타내고, Nsubframe,μ slot는 서브프레임 내 슬롯의 개수를 나타낼 수 있다.
또한, 본 개시가 적용 가능한 시스템에서, 하나의 단말에게 병합되는 복수의 셀들간에 OFDM(A) 뉴모놀로지(numerology)(예, SCS, CP 길이 등)가 상이하게 설정될 수 있다. 이에 따라, 동일한 개수의 심볼로 구성된 시간 자원(예, SF, 슬롯 또는 TTI)(편의상, TU(time unit)로 통칭)의 (절대 시간) 구간이 병합된 셀들 간에 상이하게 설정될 수 있다.
NR은 다양한 5G 서비스들을 지원하기 위한 다수의 numerology(또는 SCS(subcarrier spacing))를 지원할 수 있다. 예를 들어, SCS가 15kHz인 경우, 전통적인 셀룰러 밴드들에서의 넓은 영역(wide area)를 지원하며, SCS가 30kHz/60kHz인 경우, 밀집한-도시(dense-urban), 더 낮은 지연(lower latency) 및 더 넓은 캐리어 대역폭(wider carrier bandwidth)를 지원하며, SCS가 60kHz 또는 그보다 높은 경우, 위상 잡음(phase noise)를 극복하기 위해 24.25GHz보다 큰 대역폭을 지원할 수 있다.
NR 주파수 밴드(frequency band)는 2가지 type(FR1, FR2)의 주파수 범위(frequency range)로 정의된다. FR1, FR2는 아래 표와 같이 구성될 수 있다. 또한, FR2는 밀리미터 웨이브(millimeter wave, mmW)를 의미할 수 있다.
Frequency Range designation Corresponding frequency range Subcarrier Spacing
FR1 410MHz - 7125MHz 15, 30, 60kHz
FR2 24250MHz - 52600MHz 60, 120, 240kHz
또한, 일 예로, 본 개시가 적용 가능한 통신 시스템에서 상술한 뉴모놀로지(numerology)가 다르게 설정될 수 있다. 일 예로, 상술한 FR2보다 높은 주파수 대역으로 테라헤르츠 웨이브(Terahertz wave, THz) 대역이 사용될 수 있다. THz 대역에서 SCS는 NR 시스템보다 더 크게 설정될 수 있으며, 슬롯 수도 상이하게 설정될 수 있으며, 상술한 실시 예로 한정되지 않는다. THz 대역에 대해서는 하기에서 후술한다.
도 14는 본 개시에 적용 가능한 슬롯 구조를 도시한 도면이다.
하나의 슬롯은 시간 도메인에서 복수의 심볼을 포함한다. 예를 들어, 보통 CP의 경우 하나의 슬롯이 7개의 심볼을 포함하나, 확장 CP의 경우 하나의 슬롯이 6개의 심볼을 포함할 수 있다. 반송파(carrier)는 주파수 도메인에서 복수의 부반송파(subcarrier)를 포함한다. RB(Resource Block)는 주파수 도메인에서 복수(예, 12)의 연속한 부반송파로 정의될 수 있다.
또한, BWP(Bandwidth Part)는 주파수 도메인에서 복수의 연속한 (P)RB로 정의되며, 하나의 뉴모놀로지(numerology)(예, SCS, CP 길이 등)에 대응될 수 있다.
반송파는 최대 N개(예, 5개)의 BWP를 포함할 수 있다. 데이터 통신은 활성화된 BWP를 통해서 수행되며, 하나의 단말한테는 하나의 BWP만 활성화될 수 있다. 자원 그리드에서 각각의 요소는 자원요소(Resource Element, RE)로 지칭되며, 하나의 복소 심볼이 매핑될 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 4와 같은 요구 사항을 만족시킬 수 있다. 즉, 표 4는 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 15는 본 개시에 적용 가능한 6G 시스템에서 제공 가능한 통신 구조의 일례를 도시한 도면이다.
도 15를 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. 또한, 6G에서 새로운 네트워크 특성들은 다음과 같을 수 있다.
- 위성 통합 네트워크(Satellites integrated network): 글로벌 모바일 집단을 제공하기 위해 6G는 위성과 통합될 것으로 예상된다. 지상파, 위성 및 공중 네트워크를 하나의 무선통신 시스템으로 통합은 6G에 매우 중요할 수 있다.
- 연결된 인텔리전스(connected intelligence): 이전 세대의 무선 통신 시스템과 달리 6G는 혁신적이며, “연결된 사물”에서 "연결된 지능"으로 무선 진화가 업데이트될 것이다. AI는 통신 절차의 각 단계(또는 후술할 신호 처리의 각 절차)에서 적용될 수 있다.
- 무선 정보 및 에너지 전달의 완벽한 통합(seamless integration wireless information and energy transfer): 6G 무선 네트워크는 스마트폰들과 센서들과 같이 디바이스들의 배터리를 충전하기 위해 전력을 전달할 것이다. 그러므로, 무선 정보 및 에너지 전송 (WIET)은 통합될 것이다.
- 유비쿼터스 슈퍼 3D 연결(ubiquitous super 3-dimemtion connectivity): 드론 및 매우 낮은 지구 궤도 위성의 네트워크 및 핵심 네트워크 기능에 접속은 6G 유비쿼터스에서 슈퍼 3D 연결을 만들 것이다.
위와 같은 6G의 새로운 네트워크 특성들에서 몇 가지 일반적인 요구 사항은 다음과 같을 수 있다.
- 스몰 셀 네트워크(small cell networks): 스몰 셀 네트워크의 아이디어는 셀룰러 시스템에서 처리량, 에너지 효율 및 스펙트럼 효율 향상의 결과로 수신 신호 품질을 향상시키기 위해 도입되었다. 결과적으로, 스몰 셀 네트워크는 5G 및 비욘드 5G (5GB) 이상의 통신 시스템에 필수적인 특성이다. 따라서, 6G 통신 시스템 역시 스몰 셀 네트워크의 특성을 채택한다.
- 초 고밀도 이기종 네트워크(ultra-dense heterogeneous network): 초 고밀도 이기종 네트워크들은 6G 통신 시스템의 또 다른 중요한 특성이 될 것이다. 이기종 네트워크로 구성된 멀티-티어 네트워크는 전체 QoS를 개선하고 비용을 줄인다.
- 대용량 백홀(high-capacity backhaul): 백홀 연결은 대용량 트래픽을 지원하기 위해 대용량 백홀 네트워크로 특징 지어진다. 고속 광섬유 및 자유 공간 광학 (FSO) 시스템이 이 문제에 대한 가능한 솔루션일 수 있다.
- 모바일 기술과 통합된 레이더 기술: 통신을 통한 고정밀 지역화(또는 위치 기반 서비스)는 6G 무선통신 시스템의 기능 중 하나이다. 따라서, 레이더 시스템은 6G 네트워크와 통합될 것이다.
- 소프트화 및 가상화(softwarization and virtualization): 소프트화 및 가상화는 유연성, 재구성성 및 프로그래밍 가능성을 보장하기 위해 5GB 네트워크에서 설계 프로세스의 기초가 되는 두 가지 중요한 기능이다. 또한, 공유 물리적 인프라에서 수십억 개의 장치가 공유될 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, 딥러닝은 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 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라 AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO(multiple input multiple output) 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
머신 러닝은 채널 추정 및 채널 트래킹을 위해 사용될 수 있으며, DL(downlink)의 물리 계층(physical layer)에서 전력 할당(power allocation), 간섭 제거(interference cancellation) 등에 사용될 수 있다. 또한, 머신 러닝은 MIMO 시스템에서 안테나 선택, 전력 제어(power control), 심볼 검출(symbol detection) 등에도 사용될 수 있다.
그러나 물리계층에서의 전송을 위한 DNN의 적용은 아래와 같은 문제점이 있을 수 있다.
딥러닝 기반의 AI 알고리즘은 훈련 파라미터를 최적화하기 위해 수많은 훈련 데이터가 필요하다. 그러나 특정 채널 환경에서의 데이터를 훈련 데이터로 획득하는데 있어서의 한계로 인해, 오프라인 상에서 많은 훈련 데이터를 사용한다. 이는 특정 채널 환경에서 훈련 데이터에 대한 정적 훈련(static training)은, 무선 채널의 동적 특성 및 다이버시티(diversity) 사이에 모순(contradiction)이 생길 수 있다.
또한, 현재 딥러닝은 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 16은 본 개시에 적용 가능한 전자기 스펙트럼을 도시한 도면이다. 일 예로, 도 16을 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.
광 무선 기술(optical wireless technology)
OWC(optical wireless communication) 기술은 가능한 모든 장치-대-액세스 네트워크를 위한 RF 기반 통신 외에도 6G 통신을 위해 계획되었다. 이러한 네트워크는 네트워크-대-백홀/프론트홀 네트워크 연결에 접속한다. OWC 기술은 4G 통신 시스템 이후 이미 사용되고 있으나 6G 통신 시스템의 요구를 충족시키기 위해 더 널리 사용될 것이다. 광 충실도(light fidelity), 가시광 통신, 광 카메라 통신 및 광 대역에 기초한 FSO(free space optical) 통신과 같은 OWC 기술은 이미 잘 알려진 기술이다. 광 무선 기술 기반의 통신은 매우 높은 데이터 속도, 낮은 지연 시간 및 안전한 통신을 제공할 수 있다. LiDAR(light detection and ranging) 또한 광 대역을 기반으로 6G 통신에서 초 고해상도 3D 매핑을 위해 이용될 수 있다.
FSO 백홀 네트워크
FSO 시스템의 송신기 및 수신기 특성은 광섬유 네트워크의 특성과 유사하다. 따라서, FSO 시스템의 데이터 전송은 광섬유 시스템과 비슷하다. 따라서, FSO는 광섬유 네트워크와 함께 6G 시스템에서 백홀 연결을 제공하는 좋은 기술이 될 수 있다. FSO를 사용하면, 10,000km 이상의 거리에서도 매우 장거리 통신이 가능하다. FSO는 바다, 우주, 수중, 고립된 섬과 같은 원격 및 비원격 지역을 위한 대용량 백홀 연결을 지원한다. FSO는 셀룰러 기지국 연결도 지원한다.
대규모 MIMO 기술
스펙트럼 효율을 향상시키는 핵심 기술 중 하나는 MIMO 기술을 적용하는 것이다. MIMO 기술이 향상되면 스펙트럼 효율도 향상된다. 따라서, 6G 시스템에서 대규모 MIMO 기술이 중요할 것이다. MIMO 기술은 다중 경로를 이용하기 때문에 데이터 신호가 하나 이상의 경로로 전송될 수 있도록 다중화 기술 및 THz 대역에 적합한 빔 생성 및 운영 기술도 중요하게 고려되어야 한다.
블록 체인
블록 체인은 미래의 통신 시스템에서 대량의 데이터를 관리하는 중요한 기술이 될 것이다. 블록 체인은 분산 원장 기술의 한 형태로서, 분산 원장은 수많은 노드 또는 컴퓨팅 장치에 분산되어 있는 데이터베이스이다. 각 노드는 동일한 원장 사본을 복제하고 저장한다. 블록 체인은 P2P(peer to peer) 네트워크로 관리된다. 중앙 집중식 기관이나 서버에서 관리하지 않고 존재할 수 있다. 블록 체인의 데이터는 함께 수집되어 블록으로 구성된다. 블록은 서로 연결되고 암호화를 사용하여 보호된다. 블록 체인은 본질적으로 향상된 상호 운용성(interoperability), 보안, 개인 정보 보호, 안정성 및 확장성을 통해 대규모 IoT를 완벽하게 보완한다. 따라서, 블록 체인 기술은 장치 간 상호 운용성, 대용량 데이터 추적성, 다른 IoT 시스템의 자율적 상호 작용 및 6G 통신 시스템의 대규모 연결 안정성과 같은 여러 기능을 제공한다.
3D 네트워킹
6G 시스템은 지상 및 공중 네트워크를 통합하여 수직 확장의 사용자 통신을 지원한다. 3D BS는 저궤도 위성 및 UAV를 통해 제공될 것이다. 고도 및 관련 자유도 측면에서 새로운 차원을 추가하면 3D 연결이 기존 2D 네트워크와 상당히 다르다.
양자 커뮤니케이션
6G 네트워크의 맥락에서 네트워크의 감독되지 않은 강화 학습이 유망하다. 지도 학습 방식은 6G에서 생성된 방대한 양의 데이터에 레이블을 지정할 수 없다. 비지도 학습에는 라벨링이 필요하지 않다. 따라서, 이 기술은 복잡한 네트워크의 표현을 자율적으로 구축하는 데 사용할 수 있다. 강화 학습과 비지도 학습을 결합하면 진정한 자율적인 방식으로 네트워크를 운영할 수 있다.
무인 항공기
UAV(unmanned aerial vehicle) 또는 드론은 6G 무선 통신에서 중요한 요소가 될 것이다. 대부분의 경우, UAV 기술을 사용하여 고속 데이터 무선 연결이 제공된다. 기지국 엔티티는 셀룰러 연결을 제공하기 위해 UAV에 설치된다. UAV는 쉬운 배치, 강력한 가시선 링크 및 이동성이 제어되는 자유도와 같은 고정 기지국 인프라에서 볼 수 없는 특정 기능을 가지고 있다. 천재 지변 등의 긴급 상황 동안, 지상 통신 인프라의 배치는 경제적으로 실현 가능하지 않으며, 때로는 휘발성 환경에서 서비스를 제공할 수 없다. UAV는 이러한 상황을 쉽게 처리할 수 있다. UAV는 무선 통신 분야의 새로운 패러다임이 될 것이다. 이 기술은 eMBB, URLLC 및 mMTC 인 무선 네트워크의 세 가지 기본 요구 사항을 용이하게 한다. UAV는 또한, 네트워크 연결성 향상, 화재 감지, 재난 응급 서비스, 보안 및 감시, 오염 모니터링, 주차 모니터링, 사고 모니터링 등과 같은 여러 가지 목적을 지원할 수 있다. 따라서, UAV 기술은 6G 통신에 가장 중요한 기술 중 하나로 인식되고 있다.
셀-프리 통신(cell-free Communication)
여러 주파수와 이기종 통신 기술의 긴밀한 통합은 6G 시스템에서 매우 중요하다. 결과적으로, 사용자는 디바이스에서 어떤 수동 구성을 만들 필요 없이 네트워크에서 다른 네트워크로 원활하게 이동할 수 있다. 사용 가능한 통신 기술에서 최상의 네트워크가 자동으로 선택된다. 이것은 무선 통신에서 셀 개념의 한계를 깨뜨릴 것이다. 현재, 하나의 셀에서 다른 셀로의 사용자 이동은 고밀도 네트워크에서 너무 많은 핸드 오버를 야기하고, 핸드 오버 실패, 핸드 오버 지연, 데이터 손실 및 핑퐁 효과를 야기한다. 6G 셀-프리 통신은 이 모든 것을 극복하고 더 나은 QoS를 제공할 것이다. 셀-프리 통신은 멀티 커넥티비티 및 멀티-티어 하이브리드 기술과 장치의 서로 다른 이기종 라디오를 통해 달성될 것이다.
무선 정보 및 에너지 전송 통합(wireless information and energy transfer, WIET)
WIET은 무선 통신 시스템과 같이 동일한 필드와 웨이브(wave)를 사용한다. 특히, 센서와 스마트폰은 통신 중 무선 전력 전송을 사용하여 충전될 것이다. WIET은 배터리 충전 무선 시스템의 수명을 연장하기 위한 유망한 기술이다. 따라서, 배터리가 없는 장치는 6G 통신에서 지원될 것이다.
센싱과 커뮤니케이션의 통합
자율 무선 네트워크는 동적으로 변화하는 환경 상태를 지속적으로 감지하고 서로 다른 노드간에 정보를 교환할 수 있는 기능이다. 6G에서, 감지는 자율 시스템을 지원하기 위해 통신과 긴밀하게 통합될 것이다.
액세스 백홀 네트워크의 통합
6G에서 액세스 네트워크의 밀도는 엄청날 것이다. 각 액세스 네트워크는 광섬유와 FSO 네트워크와 같은 백홀 연결로 연결된다. 매우 많은 수의 액세스 네트워크들에 대처하기 위해, 액세스 및 백홀 네트워크 사이에 긴밀한 통합이 있을 것이다.
홀로그램 빔포밍
빔포밍은 특정 방향으로 무선 신호를 전송하기 위해 안테나 배열을 조정하는 신호 처리 절차이다. 스마트 안테나 또는 진보된 안테나 시스템의 하위 집합이다. 빔포밍 기술은 높은 신호 대 잡음비, 간섭 방지 및 거부, 높은 네트워크 효율과 같은 몇 가지 장점이 있다. 홀로그램 빔포밍(hologram beamforming, HBF)은 소프트웨어-정의된 안테나를 사용하기 때문에 MIMO 시스템과 상당히 다른 새로운 빔포밍 방법이다. HBF는 6G에서 다중 안테나 통신 장치에서 신호의 효율적이고 유연한 전송 및 수신을 위해 매우 효과적인 접근 방식이 될 것이다.
빅 데이터 분석
빅 데이터 분석은 다양한 대규모 데이터 세트 또는 빅 데이터를 분석하기 위한 복잡한 프로세스이다. 이 프로세스는 숨겨진 데이터, 알 수 없는 상관 관계 및 고객 성향과 같은 정보를 찾아 완벽한 데이터 관리를 보장한다. 빅 데이터는 비디오, 소셜 네트워크, 이미지 및 센서와 같은 다양한 소스에서 수집된다. 이 기술은 6G 시스템에서 방대한 데이터를 처리하는 데 널리 사용된다.
LIS(large intelligent surface)
THz 대역 신호의 경우 직진성이 강하여 방해물로 인한 음영 지역이 많이 생길 수 있는데, 이러한 음영 지역 근처에 LIS 설치함으로써 통신 권역을 확대하고 통신 안정성 강화 및 추가적인 부가 서비스가 가능한 LIS 기술이 중요하게 된다. LIS는 전자기 물질(electromagnetic materials)로 만들어진 인공 표면(artificial surface)이고, 들어오는 무선파와 나가는 무선파의 전파(propagation)을 변경시킬 수 있다. LIS는 매시브 MIMO의 확장으로 보여질 수 있으나, 매시브 MIMO와 서로 다른 어레이(array) 구조 및 동작 메커니즘이 다르다. 또한, LIS는 수동 엘리먼트(passive elements)를 가진 재구성 가능한 리플렉터(reflector)로서 동작하는 점 즉, 활성(active) RF 체인(chain)을 사용하지 않고 신호를 수동적으로만 반사(reflect)하는 점에서 낮은 전력 소비를 가지는 장점이 있다. 또한, LIS의 수동적인 리플렉터 각각은 입사되는 신호의 위상 편이를 독립적으로 조절해야 하기 때문에, 무선 통신 채널에 유리할 수 있다. LIS 컨트롤러를 통해 위상 편이를 적절히 조절함으로써, 반사된 신호는 수신된 신호 전력을 부스트(boost)하기 위해 타겟 수신기에서 모여질 수 있다.
테라헤르츠(THz) 무선통신
도 17은 본 개시에 적용 가능한 THz 통신 방법을 도시한 도면이다.
도 17을 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.
또한, THz파의 광자 에너지는 수 meV에 불과하기 때문에 인체에 무해한 특성이 있다. THz 무선통신에 이용될 것으로 기대되는 주파수 대역은 공기 중 분자 흡수에 의한 전파 손실이 작은 D-밴드(110GHz~170GHz) 혹은 H-밴드(220GHz~325GHz) 대역일 수 있다. THz 무선통신에 대한 표준화 논의는 3GPP 이외에도 IEEE 802.15 THz WG(working group)을 중심으로 논의되고 있으며, IEEE 802.15의 TG(task group)(예, TG3d, TG3e)에서 발행되는 표준문서는 본 명세서에서 설명되는 내용을 구체화하거나 보충할 수 있다. THz 무선통신은 무선 인식(wireless cognition), 센싱(sensing), 이미징(imaging), 무선 통신(wireless), THz 네비게이션(navigation) 등에 응용될 수 있다.
구체적으로, 도 17을 참조하면, THz 무선통신 시나리오는 매크로 네트워크(macro network), 마이크로 네트워크(micro network), 나노스케일 네트워크(nanoscale network)로 분류될 수 있다. 매크로 네트워크에서 THz 무선통신은 V2V(vehicle-to-vehicle) 연결 및 백홀/프런트홀(backhaul/fronthaul) 연결에 응용될 수 있다. 마이크로 네트워크에서 THz 무선통신은 인도어 스몰 셀(small cell), 데이터 센터에서 무선 연결과 같은 고정된 point-to-point 또는 multi-point 연결, 키오스크 다운로딩과 같은 근거리 통신(near-field communication)에 응용될 수 있다. 하기 표 5는 THz 파에서 이용될 수 있는 기술의 일례를 나타낸 표이다.
Transceivers Device Available immature: UTC-PD, RTD and SBD
Modulation and coding Low order modulation techniques (OOK, QPSK), LDPC, Reed Soloman, Hamming, Polar, Turbo
Antenna Omni and Directional, phased array with low number of antenna elements
Bandwidth 69 GHz (or 23 GHz) at 300 GHz
Channel models Partially
Data rate 100 Gbps
Outdoor deployment No
Fee space loss High
Coverage Low
Radio Measurements 300 GHz inddor
Device size Few micrometers
도 18은 본 개시에 적용 가능한 THz 무선 통신 송수신기를 도시한 도면이다.
도 18을 참조하면, THz 무선통신은 THz 발생 및 수신을 위한 방법을 기준으로 분류할 수 있다. THz 발생 방법은 광 소자 또는 전자소자 기반 기술로 분류할 수 있다.
이때, 전자 소자를 이용하여 THz를 발생시키는 방법은 공명 터널링 다이오드(resonant tunneling diode, RTD)와 같은 반도체 소자를 이용하는 방법, 국부 발진기와 체배기를 이용하는 방법, 화합물 반도체 HEMT(high electron mobility transistor) 기반의 집적회로를 이용한 MMIC(monolithic microwave integrated circuits) 방법, Si-CMOS 기반의 집적회로를 이용하는 방법 등이 있다. 도 18의 경우, 주파수를 높이기 위해 체배기(doubler, tripler, multiplier)가 적용되었고, 서브하모닉 믹서를 지나 안테나에 의해 방사된다. THz 대역은 높은 주파수를 형성하므로, 체배기가 필수적이다. 여기서, 체배기는 입력 대비 N배의 출력 주파수를 갖게 하는 회로이며, 원하는 하모닉 주파수에 정합시키고, 나머지 모든 주파수는 걸러낸다. 그리고, 도 18의 안테나에 배열 안테나 등이 적용되어 빔포밍이 구현될 수도 있다. 도 18에서, IF는 중간 주파수(intermediate frequency)를 나타내며, 트리플러(tripler), 멀리플러(multipler)는 체배기를 나타내며, PA는 전력 증폭기(power amplifier)를 나타내며, LNA는 저잡음 증폭기(low noise amplifier), PLL은 위상동기회로(phase-locked loop)를 나타낸다.
도 19는 본 개시에 적용 가능한 THz 신호 생성 방법을 도시한 도면이다. 또한, 도 20은 본 개시에 적용 가능한 무선 통신 송수신기를 도시한 도면이다.
도 19 및 도 20을 참조하면, 광 소자 기반 THz 무선통신 기술은 광소자를 이용하여 THz 신호를 발생 및 변조하는 방법을 말한다. 광 소자 기반 THz 신호 생성 기술은 레이저와 광변조기 등을 이용하여 초고속 광신호를 생성하고, 이를 초고속 광검출기를 이용하여 THz 신호로 변환하는 기술이다. 이 기술은 전자 소자만을 이용하는 기술에 비해 주파수를 증가시키기가 용이하고, 높은 전력의 신호 생성이 가능하며, 넓은 주파수 대역에서 평탄한 응답 특성을 얻을 수 있다. 광소자 기반 THz 신호 생성을 위해서는 도 19에 도시된 바와 같이, 레이저 다이오드, 광대역 광변조기, 초고속 광검출기가 필요하다. 도 19의 경우, 파장이 다른 두 레이저의 빛 신호를 합파하여 레이저 간의 파장 차이에 해당하는 THz 신호를 생성하는 것이다. 도 19에서, 광 커플러(optical coupler)는 회로 또는 시스템 간의 전기적 절연과의 결합을 제공하기 위해 광파를 사용하여 전기신호를 전송하도록 하는 반도체 디바이스를 의미하며, UTC-PD(uni-travelling carrier photo-detector)은 광 검출기의 하나로서, 능동 캐리어(active carrier)로 전자를 사용하며 밴드갭 그레이딩(bandgap grading)으로 전자의 이동 시간을 감소시킨 소자이다. UTC-PD는 150GHz 이상에서 광검출이 가능하다. 도 20에서, EDFA(erbium-doped fiber amplifier)는 어븀이 첨가된 광섬유 증폭기를 나타내며, PD(photo detector)는 광신호를 전기신호로 변환할 수 있는 반도체 디바이스를 나타내며, OSA는 각종 광통신 기능(예, 광전 변환, 전광 변환 등)을 하나의 부품으로 모듈화시킨 광모듈(optical sub assembly)를 나타내며, DSO는 디지털 스토리지 오실로스코프(digital storage oscilloscope)를 나타낸다.
도 21은 본 개시에 적용 가능한 송신기 구조를 도시한 도면이다. 또한, 도 22는 본 개시에 적용 가능한 변조기 구조를 도시한 도면이다.
도 21 및 도 22를 참조하면, 일반적으로 레이저(laser)의 광학 소스(optical source)를 광파 가이드(optical wave guide)를 통과시켜 신호의 위상(phase)등을 변화시킬 수 있다. 이때, 마이크로파 컨택트(microwave contact) 등을 통해 전기적 특성을 변화시킴으로써 데이터를 싣게 된다. 따라서, 광학 변조기 출력(optical modulator output)은 변조된(modulated) 형태의 파형으로 형성된다. 광전 변조기(O/E converter)는 비선형 크리스탈(nonlinear crystal)에 의한 광학 정류(optical rectification) 동작, 광전도 안테나(photoconductive antenna)에 의한 광전 변환(O/E conversion), 광속의 전자 다발(bunch of relativistic electrons)로부터의 방출(emission) 등에 따라 THz 펄스를 생성할 수 있다. 상기와 같은 방식으로 발생한 테라헤르츠 펄스(THz pulse)는 펨토 세컨드(femto second)부터 피코 세컨드(pico second)의 단위의 길이를 가질 수 있다. 광전 변환기(O/E converter)는 소자의 비선형성(non-linearity)을 이용하여, 하향 변환(Down conversion)을 수행한다.
테라헤르츠 스펙트럼의 용도(THz spectrum usage)를 고려할 때, 테라헤르츠 시스템을 위해서 고정된(fixed) 또는 모바일 서비스(mobile service) 용도로써 여러 개의 연속적인 기가헤르츠(contiguous GHz)의 대역들(bands)을 사용할 가능성이 높다. 아웃도어(outdoor) 시나리오 기준에 의하면, 1THz까지의 스펙트럼에서 산소 감쇠(Oxygen attenuation) 10^2 dB/km를 기준으로 가용 대역폭(Bandwidth)이 분류될 수 있다. 이에 따라 상기 가용 대역폭이 여러 개의 밴드 청크(band chunk)들로 구성되는 프레임워크(framework)가 고려될 수 있다. 상기 프레임워크의 일 예시로 하나의 캐리어(carrier)에 대해 테라헤르츠 펄스(THz pulse)의 길이를 50ps로 설정한다면, 대역폭(BW)은 약 20GHz가 된다.
적외선 대역(infrared band)에서 테라헤르츠 대역(THz band)으로의 효과적인 하향 변환(Down conversion)은 광전 컨버터(O/E converter)의 비선형성(nonlinearity)을 어떻게 활용하는가에 달려 있다. 즉, 원하는 테라헤르츠 대역(THz band)으로 하향 변환(down conversion)하기 위해서는 해당 테라헤르츠 대역(THz band)에 옮기기에 가장 이상적인 비선형성(non-linearity)을 갖는 광전 변환기(O/E converter)의 설계가 요구된다. 만일 타겟으로 하는 주파수 대역에 맞지 않는 광전 변환기(O/E converter)를 사용하는 경우, 해당 펄스(pulse)의 크기(amplitude), 위상(phase)에 대하여 오류(error)가 발생할 가능성이 높다.
단일 캐리어(single carrier) 시스템에서 광전 변환기 1개를 이용하여 테라헤르츠 송수신 시스템이 구현될 수 있다. 채널 환경에 따라 달라지지만 멀리 캐리어(Multi carrier) 시스템에서 캐리어 수만큼 광전 변환기가 요구될 수 있다. 특히 전술한 스펙트럼 용도와 관련된 계획에 따라 여러 개의 광대역들을 이용하는 멀티 캐리어 시스템인 경우, 그 현상이 두드러지게 될 것이다. 이와 관련하여 상기 멀티 캐리어 시스템을 위한 프레임 구조가 고려될 수 있다. 광전 변환기를 기반으로 하향 주파수 변환된 신호는 특정 자원 영역(예: 특정 프레임)에서 전송될 수 있다. 상기 특정 자원 영역의 주파수 영역은 복수의 청크(chunk)들을 포함할 수 있다. 각 청크(chunk)는 적어도 하나의 컴포넌트 캐리어(CC)로 구성될 수 있다.
인공 지능(Artificial Intelligence) 시스템
도 23은 본 개시에 적용 가능한 인공 신경망에 포함되는 퍼셉트론(perceptron)의 구조를 나타낸 도면이다. 또한, 도 24는 본 개시에 적용 가능한 인공 신경망 구조를 나타낸 도면이다.
상술한 바와 같이, 6G 시스템에서 인공 지능 시스템이 적용될 수 있다. 이때, 일 예로, 인공 지능 시스템은 인간의 뇌에 해당하는 러닝 모델에 기초하여 동작할 수 있으며, 이는 상술한 바와 같다. 이때, 인공 신경망(artificial neural networks)와 같은 복잡성이 높은 신경망 구조를 러닝 모델로 사용하는 머신 러닝의 패러다임을 딥러닝(deep learning)이라 할 수 있다. 또한, 학습(learning) 방식으로 사용하는 신경망 코어(neural network cord)는 크게 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional deep neural network, CNN), 순환 신경망(recurrent neural network, RNN) 방식이 있다. 이때, 일 예로, 도 23을 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 23에 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 23에 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 24와 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 24에서 3개의 층이 개시되나, 실제 인공 신경망 층의 개수를 카운트할 때는 입력층을 제외하고 카운트하므로, 도 24에 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 머신 러닝 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 25는 본 개시에 적용 가능한 심층 신경망을 나타낸 도면이다.
도 25를 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 26은 본 개시에 적용 가능한 컨볼루션 신경망을 나타낸 도면이다. 또한, 도 27은 본 개시에 적용 가능한 컨볼루션 신경망의 필터 연산을 나타낸 도면이다.
일 예로, 복수의 퍼셉트론을 서로 어떻게 연결하느냐에 따라 전술한 DNN과 다른 다양한 인공 신경망 구조를 형성할 수 있다. 이때, DNN은 하나의 층 내부에 위치한 노드들이 1차원적의 세로 방향으로 배치되어 있다. 그러나, 도 26을 참조하면, 노드들이 2차원적으로 가로 w개, 세로 h개의 노드가 배치할 경우를 가정할 수 있다. (도 26의 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 26의 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 27에서와 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 27에서는 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 28은 본 개시에 적용 가능한 순환 루프가 존재하는 신경망 구조를 나타낸 도면이다. 도 29는 본 개시에 적용 가능한 순환 신경망의 동작 구조를 나타낸 도면이다.
도 28을 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 29를 참조하면, 순환 신경망은 입력되는 데이터 시퀀스에 대하여 소정의 시점 순서대로 동작할 수 있다. 이때, 시점 1에서의 입력 벡터 {x1 (t), x2 (t), …, xd (t)}가 순환 신경망에 입력되었을 때의 은닉 벡터 {z1 (1), z2 (1), …, zH (1)}가 시점 2의 입력 벡터 {x1 (2), x2 (2), …, xd (2)}와 함께 입력되어, 가중합 및 활성 함수를 통해 은닉층의 벡터 {z1 (2), z2 (2), …, zH (2)}가 결정된다. 이러한 과정은 시점 2, 시점 3, …, 시점 T까지 반복적으로 수행된다.
한편, 순환 신경망 내에서 복수의 은닉층이 배치될 경우, 이를 심층 순환 신경망(deep recurrent neural network, DRNN)라 한다. 순환 신경망은 시퀀스 데이터(예, 자연어 처리(natural language processing)에 유용하게 적용되도록 설계되어 있다.
학습(learning) 방식으로 사용하는 신경망 코어로서 DNN, CNN, RNN 외에 제한 볼츠만 머신(restricted Boltzmann machine, RBM), 심층 신뢰 신경망(deep belief networks, DBN), 심층 Q-네트워크(deep Q-Network)와 같은 다양한 딥 러닝 기법들을 포함하며, 컴퓨터 비젼, 음성인식, 자연어처리, 음성/신호처리 등의 분야에 적용될 수 있다.
최근에는 AI를 무선 통신 시스템과 통합하려고 하는 시도들이 나타나고 있으나, 이는 어플리케이션 계층(application layer), 네트워크 계층(network layer), 특히, 딥러닝의 경우, 무선 자원 관리 및 할당(wireless resource management and allocation) 분야에 집중되어 왔다. 그러나, 이러한 연구는 점점 MAC 계층 및 물리 계층(physical layer)으로 발전하고 있으며, 특히 물리 계층에서 딥러닝을 무선 전송(wireless transmission)과 결합하고자 하는 시도들이 나타나고 있다. AI 기반의 물리 계층 전송은, 근본적인 신호 처리 및 통신 메커니즘에 있어서, 전통적인 통신 프레임워크가 아니라, AI 드라이버에 기초한 신호 처리 및 통신 메커니즘을 적용하는 것을 의미한다. 예를 들어, 딥러닝 기반의 채널 코딩 및 디코딩(channel coding and decoding), 딥러닝 기반의 신호 추정(estimation) 및 검출(detection), 딥러닝 기반의 MIMO 매커니즘(mechanism), AI 기반의 자원 스케줄링(scheduling) 및 할당(allocation) 등을 포함할 수 있다.
본 개시의 구체적인 실시 예
본 개시는 무선 통신 시스템에서 채널을 추정하기 위한 것으로, 특히, 머신 러닝(machine learning) 기반의 채널 추정 기술을 사용하기 위한 머신 러닝 모델의 학습을 지원하기 위한 기술을 설명한다.
기지국은 단말의 하향링크 채널을 추정하기 위하여 머신 러닝 모델을 사용할 수 있다. 이때, 기지국의 머신 러닝 모델을 훈련하기 위해, 기지국은 각 단말로부터 수신된 상향링크 신호에 대한 전-처리(pre-processing) 과정을 수행하고, 전-처리된 데이터를 머신 러닝 모델의 입력으로 사용할 수 있다. 그러면, 머신 러닝 모델은 각 단말의 하향링크 채널 예측(prediction) 정보를 출력한다. 그러나, 무선 채널은 주변 환경으로부터 많은 영향을 받으므로, 기지국 또는 단말들이 겪는 채널들은 많은 차이를 가진다. 따라서, 하나의 머신 러닝 모델을 많은 기지국들에게 적용하기는 어려우며, 각 기지국 환경에 맞추어 머신 러닝 모델을 최적화하기 위하여, 실제 환경에서 데이터를 수집하고, 실시간으로 학습을 수행하는 것이 요구된다.
그러나, 기존의 통신 시스템의 경우, 상향링크 채널은 기지국에서 측정되고, 하향링크 채널은 단말에서 측정된 후 기지국에게 피드백된다. 이때, 단말이 측정 및 전송하는 피드백 정보는 상향링크 자원을 절감하기 위해 단말에 적합한 정보로 가공되고, 이에 따라 매우 제한된 정보를 포함한다. 또한, 상향링크 기준 신호(reference signal, RS) 또는 파일럿(pilot) 및 하향링크 기준 신호 또는 파일럿의 전송 주기도 상이하므로, 상향링크 채널과 하향링크 채널의 송신 시간 차이가 발생하고, 이로 인해, 학습에 필요한 라벨링된 데이터(labeled data)를 획득하는 것 조차도 용이하지 아니하다. 따라서, 본 개시는 기지국이 하향링크 채널 추정을 위하여 머신 러닝 모델을 적용하는 시스템에서, 머신 러닝 모델을 학습하기 위한 실시간 온라인 학습 방안을 제안하고자 한다.
5G 이후의 차세대 통신 시스템은 5G 보다 더 높은 전송 속도 및 용량(capacity)을 요구할 것으로 예상된다. 이를 달성하기 위하여, 차세대 통신 시스템도 MIMO(multiple input multiple output) 기술은 핵심 기술로 활용될 것이다. MIMO 시스템의 성능 향상에 중요한 요소 중에 하나는 정확한 채널 정보를 획득하는 것이다. 채널정보가 정확할수록, MIMO 시스템의 스펙트럼 효율(spectral efficiency)가 증가하는 것은 이미 널리 알려진 사실이다.
기존 이동 통신 시스템의 경우, 보다 정확한 채널 정보를 획득하기 위하여, 기지국은 단말이 제공하는 측정 결과에 의존한다. 단말은 기지국이 전송하는 하향링크 기준 신호를 측정하고, 측정 결과를 기지국에 보고한다. 이에 따라, 기지국은 보고를 기반으로 단말에 전송할 데이터에 대한 프리코딩(precoding) 및 빔포밍(beamforming) 방법을 결정할 수 있다. 이 경우, 단말이 측정한 결과를 보고하기 위한 자원을 줄이기 위하여, 이동 통신 시스템은 사전에 단말이 사용 가능한 빔포머(beamformer), 즉, 코드워드(codeword)의 목록을 정의하고, 단말은 기준 신호를 측정함으로써 획득한 채널 정보를 기반으로 최적의 코드워드를 선택 및 통지한다.
다른 방식으로, 단말의 상향링크 신호가 활용될 수 있다. 상향링크 신호를 이용하는 방식은 TDD(time division duplex) 시스템에 적용 가능한 것으로서, 채널의 상호성(reciprocity)에 근거한다. TDD 시스템의 경우, 하향링크 신호 및 상향링크 신호가 동일한 주파수에서 송출되기 때문에, 양자가 동일한 채널 환경을 겪는 것으로 취급될 수 있다. 즉, 상향링크 신호로부터 추정된 채널 정보가 하향링크 채널 추정에 활용될 수 있다. 단말의 상향링크 신호를 이용한다는 점에서 단말이 채널 정보를 피드백하는 오버헤드(overhead)가 감소한다. 하지만, 단말의 상향링크와 하향링크 간 RF(radio frequency) 체인(chain) 특성이 다르다는 점에서 그대로 활용하기에 어려운 점이 있다.
최근, 상향링크 채널로부터 하향링크 채널을 추정하기 위하여, 머신 러닝을 이용하는 기술들이 연구되고 있다. 대부분의 연구들은 특정 장소에서의 측정된 결과 또는 시뮬레이션 결과를 기반으로 학습을 진행하고, 학습된 모델을 이용하여 상향링크 채널로부터 하향링크 채널을 추정하는 방향으로 진행되고 있으며, 추정 결과에 있어 높은 정확도를 보여주고 있다. 그러나, 실제 시스템의 경우, 기지국마다 다양한 채널 환경이 존재하며, 각 단말에 대한 RF 체인 특성도 고려함이 바람직하다. 따라서, 특정 지역에서의 측정 결과나 시뮬레이션 결과를 이용하여 학습된 머신 러닝 모델을 그대로 실제 통신 환경에 적용하는 것은 다소 무리가 있다. 즉, 기지국에서 각 채널 환경에 따라서 실시간으로 머신 러닝 모델을 학습하고, 최적화하는 절차가 요구된다.
기지국에서 머신 러닝을 이용하여 상향링크 신호로부터 하향링크 채널 추정을 수행하기 위한 시스템은 간략하게 이하 도 30과 같이 표현될 수 있다. 도 30은 본 개시에 적용 가능한 머신 러닝 기반의 채널 추정을 수행하는 시스템의 개념을 나타내는 도면이다.
도 30을 참고하면, 단말(3010) 및 기지국(3020) 간 MIMO 채널이 형성된다. 도 30은 단말(3010)은 2개의 안테나들을, 기지국(3020)은 4개의 안테나들을 구비한 것을 예시하나, 단말(3010) 및 기지국(3020) 각각은 다른 개수의 안테나들을 구비할 수 있다.
단말(3010)은 기지국(3020)으로 상향링크 기준 신호를 전송한다. 기지국(3020)은 수신부(3022)를 이용하여 상향링크 기준 신호를 수신하고, 단말(3010)로부터 수신한 상향링크 기준 신호로부터 상향링크 채널 정보 HUL를 결정한다. 계산된 상향링크 채널 정보 HUL은 신경 망(neural network, NN)(3024)의 입력으로서 사용된다. 기지국(3020)의 신경 망(3024)은 하향링크 채널 추정 값
Figure PCTKR2020008996-appb-I000009
을 결정한다. 기지국(3020)의 송신부(3026)는 신경 망(3024)의 출력을 기반으로 단말(3010)을 위한 최적의 프리코딩 및 빔포밍 파라미터를 계산하고, 프리코딩 및 빔포밍을 이용하여 하향링크 데이터를 전송한다.
도 31은 본 개시에 적용 가능한 머신 러닝 모델에 대한 학습 및 추론(inference)을 나타내는 도면이다. 도 31에서, 제1 상황(3110)은 머신 러닝 모델을 학습하는 상태이고, 제2 상황(3120)은 학습된 머신 러닝 모델을 이용하여 추론(inference)함으로써 채널을 추정하는 상태이다.
도 31을 참고하면, 제1 상황(3110)에서, 기지국은 머신 러닝 모델 학습을 위해 기지국의 커버리지 내에서 몇몇 단말들을 선택한다. 그리고, 기지국은 선택된 단말들에게 학습에 필요한 정보를 포함하는 설정(configuration) 정보를 송신한다. 설정 정보를 송신한 후, 기지국은 하향링크 기준 신호를 송신한다. 기지국으로부터 특정 학습 데이터 수집이 요청된 경우, 단말들은 설정 정보를 이용하여 하향링크 기준 신호를 측정 및 보고한다. 동시에, 설정 정보에 따라, 단말들은 해당 시점에 상향링크 기준 신호를 송신한다. 기지국은 상향링크 기준 신호 송신 시점과 하향링크 기준 신호 송신 시점이 매우 상이하여 채널 변화가 발생하지 아니하도록, 단말이 상향링크 기준 신호를 송신하는 시점 및 기지국이 하향링크 기준 신호를 송신하는 시점이 채널 코히어런트 시간(coherence time) 내에 위치하도록 자원을 할당할 수 있다. 기지국은 일정 기간 동안 단말들로부터 수신된 상향링크 기준 신호 및 하향링크 채널 정보를 저장한 후, 저장된 데이터를 이용하여 머신 러닝 모델을 학습한다. 머신 러닝 모델의 학습 결과가 만족할 수준이 아닐 경우, 기지국은 전술한 동작들을 반복한다.
제2 상황에서, 기지국은 학습 완료된 모델을 실제 하향링크 채널 정보 추정에 적용한다. 기지국은 추정된 하향링크 정보를 하향링크 데이터 송신에 필요한 프리코더 선택 및 빔포밍 동작에 활용한다.
도 32는 본 개시에 적용 가능한 머신 러닝 모델의 학습 절차를 나타내는 도면이다.
도 32를 참고하면, 다양한 실시 예들에 따른 머신 러닝 모델의 학습은 등록 절차(3210), 참여 단말 선택 및 구성 절차(3220), 보고 절차(3230), 학습 및 검증 절차(3240), 갱신된(updated) 머신 러닝 모델 적용 절차(3250)를 포함한다.
등록 절차(3210)는 머신 러닝 모델의 학습을 지원할 수 있는 단말의 풀(pool)을 관리하는 절차이다. 참여 단말 선택 및 구성 절차(3220)는 측정 및 보고를 수행할 단말을 선택하고, 필요한 설정 정보를 제공하는 절차이다. 보고 절차(3230)는 단말에 의해 측정된 정보를 기지국에게 제공하는 절차이다. 학습 및 검증 절차(3240)는 수집된 정보를 이용하여 머신 러닝 모델을 훈련하는 절차이다. 갱신된 머신 러닝 모델 적용 절차(3250)는 훈련된 머신 러닝 모델을 이용하여 채널을 추정 및 활용하는 절차이다. 각 절차는 이하 보다 상세히 설명될 것이다.
도 33은 본 개시에 적용 가능한 단말에서 학습을 지원하는 절차의 일 실시 예를 나타내는 도면이다. 도 33은 단말의 동작 방법을 예시한다.
도 33을 참고하면, S3301 단계에서, 단말은 학습에 관련된 정보를 포함하는 메시지를 송신한다. 예를 들어, 학습에 관련된 정보는 단말의 학습 지원 능력에 관련된 정보(예: 능력의 존부를 지시하는 정보, 능력의 수준을 지시하는 정보), 학습에 관련된 상태를 알리는 정보, 학습에 관련된 상태의 변경을 요구하는 정보 중 적어도 하나를 포함할 수 있다. 일 실시 예에 따라, 서로 다른 종류의 정보를 포함하는 복수의 메시지들이 송신될 수 있다.
S3303 단계에서, 단말은 학습을 위한 설정(configuration) 정보를 포함하는 메시지를 수신한다. 설정 정보는 학습에 참여할 것이 결정된 경우 수신될 수 있다. 설정 정보는 학습의 진행에 관련된 정보(예: 학습 시작 시점, 학습 종료 시점, 학습 기간, 타이머 등), 하향링크 기준 신호를 위한 자원을 지시하는 정보(예: 자원 위치, 신호의 값 등), 상향링크 기준 신호를 위한 자원을 지시하는 정보(예: 자원 위치, 신호의 값 등), 하향링크 채널의 측정 결과를 보고하기 위한 정보(예: 자원 위치, 보고 방식, 측정 대상, 보고 대상, 정보의 포맷 등) 중 적어도 하나를 포함할 수 있다. 설정 정보는 이후 신호 및 정보의 송신 또는 수신을 위해 사용된다.
S3305 단계에서, 단말은 상향링크 기준 신호를 송신한다. 단말은 설정 정보에 의해 지시되는 자원을 통해 상향링크 기준 신호를 송신한다. 이때, 상향링크 기준 신호의 값은 미리 정의되거나, 다른 파라미터에 기반하여 결정되거나, 또는 설정 정보에 의해 할당될 수 있다.
S3307 단계에서, 단말은 하향링크 기준 신호에 기반하여 측정된 채널 정보를 송신한다. 즉, 단말은 설정 정보에 의해 지시되는 자원을 통해 하향링크 기준 신호를 수신하고, 수신된 하향링크 기준 신호에 대한 측정을 수행함으로써, 하향링크 채널 정보를 획득한다. 그리고, 단말은 하향링크 채널 정보를 설정 정보에 의해 지시되는 자원을 통해 송신한다. 이때, 하향링크 기준 신호의 값은 미리 정의되거나, 다른 파라미터에 기반하여 결정되거나, 또는 설정 정보에 의해 할당될 수 있다.
도 33에 도시되지 아니하였으나, 단말이 송신한 상향링크 기준 신호 및 측정된 채널 정보는 기지국에게 수신되고, 기지국에서의 학습을 위해 사용된다. 그리고, 학습된 머신 러닝 모델은 기지국에서의 하향링크 채널 추정을 위해 사용될 수 있다.
도 34는 본 개시에 적용 가능한 기지국에서 학습을 수행하는 절차의 일 실시 예를 나타내는 도면이다. 도 34는 기지국의 동작 방법을 예시한다.
도 34를 참고하면, S3401 단계에서, 기지국은 학습에 관련된 정보 포함하는 메시지를 수신한다. 예를 들어, 학습에 관련된 정보는 단말의 학습 지원 능력에 관련된 정보(예: 능력의 존부를 지시하는 정보, 능력의 수준을 지시하는 정보), 학습에 관련된 상태를 알리는 정보, 학습에 관련된 상태의 변경을 요구하는 정보 중 적어도 하나를 포함할 수 있다. 일 실시 예에 따라, 서로 다른 종류의 정보를 포함하는 복수의 메시지들이 수신될 수 있다.
S3403 단계에서, 기지국은 학습을 위한 설정 정보를 포함하는 메시지를 송신한다. 설정 정보는 학습에 참여할 것으로 결정된 단말에게 송신될 수 있다. 설정 정보는 학습의 진행에 관련된 정보(예: 학습 시작 시점, 학습 종료 시점, 학습 기간, 타이머 등), 하향링크 기준 신호를 위한 자원을 지시하는 정보(예: 자원 위치, 신호의 값 등), 상향링크 기준 신호를 위한 자원을 지시하는 정보(예: 자원 위치, 신호의 값 등), 하향링크 채널의 측정 결과를 보고하기 위한 정보(예: 자원 위치, 보고 방식, 측정 대상, 보고 대상, 정보의 포맷 등) 중 적어도 하나를 포함할 수 있다. 설정 정보는 이후 신호 및 정보의 송신 또는 수신을 위해 사용된다.
S3405 단계에서, 기지국은 상향링크 기준 신호를 수신한다. 기지국은 설정 정보를 통해 지시한 자원을 통해 상향링크 기준 신호를 검출할 수 있다. 이때, 상향링크 기준 신호의 값은 미리 정의되거나, 다른 파라미터에 기반하여 결정되거나, 또는 설정 정보에 의해 할당될 수 있다.
S3407 단계에서, 기지국은 하향링크 기준 신호에 기반하여 측정된 채널 정보를 수신한다. 기지국은 설정 정보에 의해 지시되는 자원을 통해 하향링크 기준 신호를 송신하고, 하향링크 기준 신호를 수신한 단말로부터 하향링크 채널 정보를 획득한다. 이때, 하향링크 기준 신호의 값은 미리 정의되거나, 다른 파라미터에 기반하여 결정되거나, 또는 설정 정보에 의해 할당될 수 있다.
S3409 단계에서, 기지국은 상향링크 기준 신호에 기반하여 측정된 채널 정보 및 수신된 채널 정보를 이용하여 학습을 수행한다. 즉, 기지국은 단말로부터 수신된 상향링크 기준 신호에 대한 측정을 수행하고, 측정을 통해 얻어진 상향링크 채널 정보 및 단말로부터 수신된 하향링크 채널 정보를 이용하여 학습을 수행할 수 있다.
도 33 및 도 34를 참고하여 설명한 실시 예들에 따라, 머신 러닝 모델이 학습될 수 있다. 학습된 머신 러닝 모델은 기지국에서의 하향링크 채널 추정을 위해 사용될 수 있다. 전술한 실시 예들에 따른 학습 지원 절차 및 학습 절차의 적어도 일부는 필요에 따라 반복적으로 수행될 수 있다. 반복을 고려한 머신 러닝 모델의 학습 절차는 이하 도 35와 같다.
도 35는 본 개시에 적용 가능한 학습을 수행하기 위한 신호 교환의 일 실시 예를 나타내는 도면이다. 도 35는 단말들(3510a 내지 3510d) 및 기지국(3520) 간 메시지들 및 신호들의 교환을 예시한다.
도 35를 참고하면, S3501-1 단계 내지 S3501-4 단계에서, 단말들(3510a 내지 3510d) 각각은 기지국(3520)에게 등록 메시지를 송신한다. 등록 메시지는 기지국(3520)이 학습을 지원할, 다시 말해, 학습에 참여할 단말을 선택하기 위해 필요한 정보를 포함한다. 예를 들어, 등록 메시지는 단말이 학습을 지원할 것을 나타내는 정보, 학습에 관련된 단말의 동작 모드를 지시하는 정보, 단말에 관련된 정보 중 적어도 하나를 포함할 수 있다. 도 35에서, 단말들(3510a 내지 3510d)이 모두 등록 메시지를 송신하는 것으로 예시되었으나, 다른 실시 예에 따라, 단말들(3510a 내지 3510d) 중 적어도 일부는 해제 메시지를 송신할 수 있다.
S3503 단계에서, 기지국(3520)은 학습에 참여할 적어도 하나의 단말을 선택한다. 이때, 기지국(3520)은 학습을 수행할지 여부 또는 학습이 필요한지 여부를 먼저 판단할 수 있다. 학습을 수행할 것이 판단된 경우, 기지국(3520)은 적어도 하나의 단말을 선택한다. 도 35의 예에서, 제1 단말(3510a), 제2 단말(3510b)이 선택된다.
S3505-1 단계 및 S3505-2 단계에서, 기지국(3520)은 제1 단말(3510a) 및 제2 단말(3510b) 각각에게 단말 설정(configuration) 정보를 송신한다. 단말 설정 정보는 이후 송신되는 기준 신호들을 위한 자원 할당 정보, 채널 측정 정보를 송신하기 위한 자원 할당 정보 중 적어도 하나를 포함할 수 있다. 단말 설정 정보에 포함되는 파라미터들 중 적어도 하나의 값은 단말 별로 상이할 수 있다. 여기서, 기준 신호들을 위한 자원 할당 정보는 하향링크 기준 신호를 위한 자원 할당 정보 및 상향링크 기준 신호를 위한 자원 할당 정보를 포함한다. 일 실시 예에 따라, 하향링크 기준 신호를 위한 자원 할당 정보 및 상향링크 기준 신호를 위한 자원 할당 정보 중 하나는 다른 하나로부터 미리 정의된 규칙에 의해 도출될 수 있다. 이 경우, 규칙에 의해 도출되는 자원 할당 정보는 명시적으로(explicitly) 단말 설정 정보에 포함되지 아니하고, 묵시적(implicitly) 시그널링에 따르는 것으로 이해될 수 있다.
S3507-1 단계 및 S3507-2 단계에서, 기지국(3520)은 제1 단말(3510a) 및 제2 단말(3510b)에게 하향링크 기준 신호들을 송신한다. 도 35에서, 제1 단말(3510a)에게 송신되는 하향링크 기준 신호 및 제2 단말(3510b)에게 송신되는 하향링크 기준 신호가 별도의 신호들로서 예시되었다. 이 경우, 제1 단말(3510a) 및 제2 단말(3510b)에게 송신되는 하향링크 기준 신호들은 동일한 시간-주파수 자원에서 다중화되거나, 서로 다른 시간-주파수 자원들에서 송신될 수 있다. 하지만, 다른 실시 예에 따라, 제1 단말(3510a)에게 송신되는 하향링크 기준 신호 및 제2 단말(3510b)에게 송신되는 하향링크 기준 신호는 동일한 신호일 수 있다.
S3509-1 단계 및 S3509-2 단계에서, 제1 단말(3510a) 및 제2 단말(3510b) 각각은 기지국(3520)에게 상향링크 기준 신호를 송신한다. 상향링크 기준 신호는 기지국(3520)으로부터 수신된 단말 설정 정보에 의해 지시되는 자원을 통해 송신될 수 있다. 여기서, 제1 단말(3510a)이 송신하는 상향링크 기준 신호 및 제2 단말(3510b)이 송신되는 상향링크 기준 신호는 동일한 시간-주파수 자원에서 송신되거나, 서로 다른 시간-주파수 자원들에서 송신될 수 있다. 동일한 시간-주파수 자원에서 송신되는 경우, 상향링크 기준 신호들은 시퀀스 값들에 의해 구분될 수 있으며, 시퀀스 값들은 단말 설정 정보에 의해 제공될 수 있다.
S3511-1 단계 및 S3511-2 단계에서, 제1 단말(3510a) 및 제2 단말(3510b) 각각은 기지국(3520)에게 하향링크 채널 측정 정보를 송신한다. 제1 단말(3510a) 및 제2 단말(3510b)은 하향링크 기준 신호을 이용하여 하향링크 채널을 추정한 후, 추정된 채널에 관련된 정보를 기지국(3520)에게 피드백할 수 있다. 채널에 관련된 정보는 채널 행렬, 채널 행렬에 대응하는 코드워드의 인덱스, 압축된 채널 행렬 중 적어도 하나를 포함할 수 있다.
S3513 단계에서, 기지국(3520)은 머신 러닝 모델을 학습하고, 검증한다. 이를 위해, 기지국(3520)은 단말들(3510a, 3510b)로부터 수신된 신호 또는 정보(예: 상향링크 기준 신호 및 하향링크 채널 측정 정보)로부터 훈련 데이터 셋(training data set) 및 검사 데이터 셋(test data set)을 획득한다. 기지국(3520)은 훈련 데이터 셋을 이용하여 머신 러닝 모델에 대한 학습을 수행하고, 검사 데이터 셋을 이용하여 학습된 머신 러닝 모델의 성능을 검증할 수 있다. 예를 들어, 기지국(3520)은 검사 데이터 셋을 이용하여 추론(inference)을 수행하고, 추론된 결과가 실제 결과와 얼마나 근사한지 확인함으로써, 검증을 수행할 수 있다.
S3515 단계에서, 기지국(3520)은 머신 러닝 모델의 검증 결과가 수렴하는지 확인한다. 예를 들어, 기지국(3520)은 검사 데이터 셋을 이용하여 추론된 결과 및 실제 결과 간 차이가 임계치보다 낮은지 확인함으로써, 머신 러닝 모델의 성능이 수렴하였는지 판단할 수 있다. 만일, 성능이 수렴하지 아니하였으면, 본 절차는 S3503 단계 내지 S3515 단계를 반복한다. 즉, 검증 결과가 수렴될 때까지, S3503 단계 내지 S3515 단계가 반복될 수 있다.
성능이 수렴하였으면, S3517 단계에서, 기지국(3520)은 갱신된 머신 러닝 모델을 적용한다. 즉, 기지국(3520)은 갱신된 머신 러닝 모델을 이용하여 하향링크 채널을 추정하고, 추정된 하향링크 채널에 기반하여 통신을 수행할 수 있다.
도 35에 도시되지 아니하였으나, 갱신된 머신 러닝 모델이 적용된 후, 머신 러닝 모델에 대한 학습이 다시 수행될 수 있다. 학습의 재수행을 위한 조건은 시간, 성능, 시스템 부하, 통신 환경 등 다양한 측면을 기반으로 정의될 수 있다.
일 실시 예에 따라, 학습은 시간의 경과에 의해 트리거링될 수 있다. 예를 들어, 마지막 학습으로부터 일정 시간이 경과한 경우, 기지국(3520)은 S3503 단계 내지 S3515 단계의 동작들 또는 이와 유사한 동작들을 수행함으로써, 머신 러닝 모델에 대한 학습을 다시 수행할 수 있다.
다른 실시 예에 따라, 학습은 성능의 열화에 의해 트리거링될 수 있다. 예를 들어, 머신 러닝 모델을 이용한 채널 추정의 성능이 열화되는 경우, 기지국(3520)은 S3503 단계 내지 S3515 단계의 동작들 또는 이와 유사한 동작들을 수행함으로써, 머신 러닝 모델에 대한 학습을 다시 수행할 수 있다. 여기서, 성능의 열화는 추론된 하향링크 채널에 기반한 데이터 통신의 오류 발생율에 의해 판단되거나, 또는 별도의 절차에 의해 판단될 수 있다. 성능 열화를 판단하기 위해 별도의 절차가 사용되는 경우, 기지국(3520)은 주기적 또는 이벤트 기반으로 단말에 의해 추정된 하향링크 채널에 관한 정보를 수신하고, 추론된 채널 및 피드백된 채널을 비교할 수 있다. 예를 들어, 이벤트는 일정 시간의 경과, 일정 수준 이상의 데이터 통신의 오류 발생으로 정의될 수 있다.
도 35에서, 단말들(3510a 내지 3510d)은 등록 메시지를 송신한다. 이에 앞서, 망에 초기 접속 시, 단말들(3510a 내지 3510d) 각각은 단말의 학습 지원 능력에 관련된 정보를 포함하는 능력 정보(capability information) 메시지를 송신할 수 있다. 학습 지원 능력에 관련된 정보는 단말의 컨텍스트(context) 정보로서 관리될 수 있고, 기지국(3520)은 이웃 기지국으로부터, 상위 코어 망 노드로부터, 또는 단말로부터 각 단말의 학습 지원 능력에 관련된 정보를 획득할 수 있다. 이 경우, 기지국(3520)는 능력 정보로부터 확인되는 학습 지원 능력을 가지는 단말들을 풀에 포함 가능한 후보(candidate) 단말들로서 관리할 수 있고, 후보 단말들 중 등록을 요청한 단말들을 풀에 포함시킬 수 있다.
이하 본 개시는 전술한 학습의 각 세부 절차에 대하여 보다 상세히 설명한다.
(1) 등록 절차
등록 절차에서, 기지국은 학습에 필요한 단말들의 풀을 관리한다. 기지국은 단말의 등록 요청 및 해제 요청에 따라 풀에서 단말을 추가 또는 삭제할 수 있다. 이때, 머신 러닝 학습 기능을 가진 단말은 머신 러닝 모델 학습 모드(예: 미등록, 학습 대기, 학습 중)를 결정하고, 결정된 모드에 따라 기지국에게 등록 또는 해제를 요청할 수 있다. 예를 들어, 단말은 부하량(load), 이동성(mobility) 등에 기반하여 학습 모드를 결정할 수 있다. 학습 모드의 결정 및 등록/해제 시그널링에 관한 실시 예들이 이하 도 36 또는 도 37를 참고하여 설명된다.
도 36은 본 개시에 적용 가능한 단말에서 학습 모드를 제어하는 절차의 일 실시 예를 나타내는 도면이다. 도 36은 부하량에 기반하여 학습 모드를 제어하는 단말의 동작 방법을 예시한다.
도 36을 참고하면, S3601 단계에서, 단말은 부하량을 판단한다. 단말은 현재 소비 중인 서비스를 위해 송신 또는 수신하고 있는 데이터(예: 트래픽, 제어 메시지)의 양, 가용한 자원(예: 메모리 자원, 연산 자원, 전력 자원 등) 중 적어도 하나를 확인할 수 있다.
S3603 단계에서, 단말은 부하량이 임계치 이하인지 확인한다. 다시 말해, 단말은 부하량을 기반으로 학습을 지원하기 위해 할당할 자원이 존재하는지 판단한다. 이때, 복수의 종류(type)의 부하들이 고려되는 경우, 단말은 복수의 종류들의 부하들을 결합함으로써 하나의 대표 값을 결정하고, 임계치와 비교할 수 있다. 또는, 단말은 복수의 종류의 부하들을 대응하는 임계치들과 순차적으로 비교할 수 있다.
만일, 부하량이 임계치 이하이면, S3605 단계에서, 단말은 학습 모드를 확인한다. 여기서, 학습 모드는 '학습 중', '학습 대기', '미등록' 중 하나일 수 있다. 만일, 학습 모드가 '학습 중' 또는 '학습 대기'이면, 단말은 본 절차를 종료한다. 즉, 이미 학습이 가능한 상태이므로, 학습 모드의 변경은 필요하지 아니하다. 반면, 학습 모드가 '미등록'이면, S3607 단계에서, 단말은 기지국에게 등록 메시지를 송신한다. 즉, 단말은 기지국에게 풀로의 등록을 요청한다. S3609 단계에서, 단말은 학습 대기 모드로 변경한다. 도 36에 도시되지 아니하였으나, 이후 기지국으로부터 학습을 위한 구성 정보가 수신되면, 단말은 학습 중 모드로 변경할 수 있다.
반면, 부하량이 임계치를 초과하면, S3611 단계에서, 단말은 학습 모드를 확인한다. 여기서, 학습 모드는 '학습 중', '학습 대기', '미등록' 중 하나일 수 있다. 만일, 학습 모드가 '미등록'이면, 단말은 본 절차를 종료한다. 즉, 이미 학습이 가능한 상태이므로, 학습 모드의 변경은 필요하지 아니하다. 반면, 학습 모드가 '학습 중' 또는 '학습 대기'이면, S3613 단계에서, 단말은 학습을 중단한다. 단, 현재 학습을 수행하는 중이 아니라면, 본 단계는 생략될 수 있다. S3615 단계에서, 단말은 기지국에게 해제 메시지를 송신한다. 다시 말해, 단말은 기지국에게 풀에서 제외할 것을 요청한다. S3617 단계에서, 단말은 미등록 모드로 변경한다.
도 37은 본 개시에 적용 가능한 단말에서 학습 모드를 제어하는 절차의 다른 실시 예를 나타내는 도면이다. 도 37은 이동성에 기반하여 학습 모드를 제어하는 단말의 동작 방법을 예시한다.
도 37을 참고하면, S3701 단계에서, 단말은 이동성을 판단한다. 단말은 채널의 변화, 도플러 주파수 또는 위치의 변화 등을 추정하고, 추정 결과에 기반하여 단말의 이동성(예: 이동 여부, 이동 속도)을 판단한다. 예를 들어, 이동성은 미리 정의된 몇몇 카테고리(category)들 중 하나로 평가될 수 있다.
S3703 단계에서, 단말은 이동성 변화율이 임계치 이하인지 확인한다. 예를 들어, 단말은 이동 속도의 단위 시간 당 변화량 및 임계치를 비교한다. 이동성 변화율이 크면, 학습을 통해 갱신된 머신 러닝 모델을 신뢰하기 어렵다. 따라서, 단말은 일정 기간 동안의 이동성의 판단 결과들을 확인하고, 이동성의 변화의 정도를 수치화하고, 수치화된 이동성의 변화 정도를 임계치와 비교할 수 있다.
만일, 이동성 변화율이 임계치 이하이면, S3705 단계에서, 단말은 학습 모드를 확인한다. 여기서, 학습 모드는 '학습 중', '학습 대기', '미등록' 중 하나일 수 있다. 만일, 학습 모드가 '학습 중' 또는 '학습 대기'이면, 단말은 본 절차를 종료한다. 즉, 이미 학습이 가능한 상태이므로, 학습 모드의 변경은 필요하지 아니하다. 반면, 학습 모드가 '미등록'이면, S3707 단계에서, 단말은 기지국에게 등록 메시지를 송신한다. 즉, 단말은 기지국에게 풀로의 등록을 요청한다. S3709 단계에서, 단말은 학습 대기 모드로 변경한다. 도 37에 도시되지 아니하였으나, 이후 기지국으로부터 학습을 위한 구성 정보가 수신되면, 단말은 학습 중 모드로 변경할 수 있다.
반면, 이동성 변화율이 임계치를 초과하면, S3711 단계에서, 단말은 학습 모드를 확인한다. 여기서, 학습 모드는 '학습 중', '학습 대기', '미등록' 중 하나일 수 있다. 만일, 학습 모드가 '미등록'이면, 단말은 본 절차를 종료한다. 즉, 이미 학습이 가능한 상태이므로, 학습 모드의 변경은 필요하지 아니하다. 반면, 학습 모드가 '학습 중' 또는 '학습 대기'이면, S3713 단계에서, 단말은 학습을 중단한다. 단, 현재 학습을 수행하는 중이 아니라면, 본 단계는 생략될 수 있다. S3715 단계에서, 단말은 기지국에게 해제 메시지를 송신한다. 다시 말해, 단말은 기지국에게 풀에서 제외할 것을 요청한다. S3717 단계에서, 단말은 미등록 모드로 변경한다.
(2) 참여 단말 선택 및 구성 절차
단말들로부터 등록 메시지 또는 해제 메시지가 수신되면, 기지국은 풀을 구성하고, 학습 절차를 제어한다. 이를 위해, 기지국은 학습에 참여할 단말을 선택한다. 이때, 기지국은 학습의 수행 여부를 먼저 판단할 수 있다. 학습의 수행 여부 판단, 단말의 선택에 관한 실시 예가 이하 도 38을 참고하여 설명된다.
도 38은 본 개시에 적용 가능한 기지국에서 학습의 진행을 제어하는 절차의 일 실시 예를 나타내는 도면이다. 도 38은 기지국의 동작 방법을 예시한다.
도 38을 참고하면, S3801 단계에서, 기지국은 머신 러닝 모델의 학습 여부 및 성능을 확인한다. 즉, 기지국은 머신 러닝 모델의 학습이 적어도 1회 수행되었는지 확인하고, 머신 러닝 모델의 성능은 어떠한지 평가한다. 예를 들어, 머신 러닝 모델의 성능은 최적화 동작의 수행 여부, BER(block errer rate), 최근 학습으로부터의 경과 시간 중 적어도 하나에 기반하여 평가될 수 있다.
S3803 단계에서, 기지국은 추가 학습이 필요한지 판단한다. 즉, 기지국은 머신 러닝 모델의 성능에 기반하여 추가 학습이 필요한지 여부를 판단할 수 있다. 예를 들어, 기지국의 머신 러닝 모델에 대한 최적화가 아직 한번도 수행되지 않은 경우, 기지국의 머신 러닝 모델의 최적화가 수행되었으나 이후 하향링크 채널 추정 성능이 기준 이하로 판단되는 경우, 또는 기지국의 머신 러닝 모델의 학습이 특정 기간(예: 1주, 1개월) 동안 수행되지 아니한 경우, 기지국은 추가 학습이 필요한 것으로 판단할 수 있다. 여기서, 성능이 기준 이하인 경우는, 머신 러닝 모델을 통한 단말의 하향링크 채널 추정 기반으로 송신된 데이터들의 HARQ(hybrid automatic repeat request) ACK/NACK 피드백을 통계적으로 분석한 BER 등이 임계치 이하인 경우를 포함할 수 있다. 만일, 추가 학습이 필요하지 아니하면, 기지국은 본 절차를 종료한다.
반면, 추가 학습이 필요하면, S3805 단계에서, 기지국은 학습에 필요한 자원 확보되는지 판단한다. 예를 들어, 기지국은 관리하고 있는 자원(예: 프로세서 부하, 무선 자원 등)의 사용량을 확인하고, 학습에 필요한 만큼의 자원을 할당할 수 있는지 여부를 판단할 수 있다. 만일, 자원이 확보되지 아니하면, 기지국은 본 절차를 종료한다.
반면, 자원이 확보되면, S3807 단계에서, 기지국은 학습에 참여할 단말들의 개수가 임계치 이상인지 확인한다. 학습에 참여할 단말들은 등록을 요청함에 응하여 풀에 추가된 단말들으 포함한다. 따라서, 기지국은 단말 풀에 등록된 단말들의 개수를 확인하고, 확인된 개수를 임계치와 비교한다. 즉, 기지국은 학습에 참여 가능한 단말의 개수가 일정 수준 이상으로 확보되었는지 확인한다. 만일, 학습에 참여할 단말들의 개수가 임계치 미만이면, 기지국은 본 절차를 종료한다.
반면, 학습에 참여할 단말들의 개수가 임계치 이상이면, S3809 단계에서, 기지국은 학습을 수행한다. 예를 들어, 기지국은 학습을 시작하기 위해 학습에 참여할 단말을 선택한다. 다시 말해, 기지국은 관리하고 있는 단말 풀에서 학습에 참여할 적어도 하나의 단말을 선택한다. 예를 들어, 기지국은 현재 기지국에서 활용 가능한 자원(예: 하향링크 자원, 상향링크 자원), 단말의 예상 위치, 단말의 이동 속도, 상향링크 기준 신호 수신 세기 중 적어도 하나를 고려하여 단말들을 선택할 수 있다. 단말들을 선택한 기지국은 기지국의 머신 러닝 모델 학습에 필요한 데이터를 수집하기 위하여 필요한 단말 설정 정보를 송신한 후, 하향링크 기준 신호를 송신한다.
단말의 예상 위치를 고려하는 경우, 기지국은 단말의 위치를 추정하는 동작을 더 수행할 수 있다. 단말의 예상 위치는 특정 위치에 집중된 분포를 가진 단말들이 선택되는 것을 방지하기 위해 고려될 수 있다. 예를 들어, 기지국은 선택된 단말들이 커버리지 내 골고루 분포하도록 단말들을 선택할 수 있다.
단말의 이동 속도를 고려하는 경우, 기지국은 단말의 이동 속도를 추정하는 동작을 더 수행할 수 있다. 단말의 이동 속도는 이동 속도에 따라 분류된 머신 러닝 모델들을 중 훈련될 모델에 적합한 단말들을 선별하기 위해 고려될 수 있다. 예를 들어, 기지국은 훈련하고자 하는 모델에 대응하는 이동 속도를 가진 단말들 중 적어도 하나의 단말을 선택할 수 있다.
상향링크 기준 신호의 수신 세기를 고려하는 경우, 기지국은 상향링크 기준 신호의 수신 세기를 측정하는 동작을 더 수행할 수 있다. 여기서, 상향링크 기준 신호는 학습이 아닌 다른 목적 또는 다른 절차에 따라 송신된 기준 신호를 포함할 수 있다. 상향링크 기준 신호의 수신 세기는 채널 품질이 너무 열악한 단말을 배제하기 위해 고려될 수 있다. 예를 들어, 기지국은 임계치 이상의 수신 세기를 가진 상향링크 기준 신호를 송신한 단말들 중 적어도 하나의 단말을 선택할 수 있다.
그리고, 기지국은 학습에 필요한 자원을 할당한다. 상향링크 채널을 통한 하향링크 채널 추정하기 위한 라벨링된 데이터를 얻기 위하여, 기지국은 상향링크 기준 신호의 송신 시점 및 하향링크 기준 신호의 송신 시점 간 채널 변화가 발생하지 않도록 제어한다. 기지국에서 측정이 수행되는 상향링크 기준 신호 송신 시점과 단말에서 측정이 수행되는 하향링크 기준 신호 송신 시점 간 시간 차가 크면, 채널 변화가 발생할 수 있다. 이 경우, 정확한 라벨링된 데이터를 얻는 것은 어려울 수 있다. 따라서, 기지국은 단말이 상향링크 기준 신호를 송신하는 시점 및 기지국이 하향링크 기준 신호를 송신하는 시점이 채널 코히어런트 시간(coherence time) 내에 위치하도록, 자원을 할당한다. 여기서, 코히어런트 시간은 무선 채널이 변하지 않을 것으로 간주되는 시간을 의미한다.
(3) 보고 절차
기지국에 의해 학습 절차가 진행되면, 단말은 학습을 지원하기 위해 필요한 신호 또는 정보를 제공한다. 단말이 제공하는 신호 또는 정보는 학습을 위한 데이터 또는 데이터를 도출하기 위해 사용된다. 다시 말해, 기지국은 단말로부터 제공되는 정보 또는 신호를 이용하여 훈련 데이터 셋 및 검사 데이터 셋을 생성한다.
도 39는 본 개시에 적용 가능한 학습을 위한 기지국 및 단말 간 신호 교환의 다른 실시 예를 나타내는 도면이다. 도 39는 단말(3910) 및 기지국(3920) 간 메시지들 및 신호들의 교환을 예시한다. 도 39는 하나의 단말만을 도시하고 있으나, 기지국(3920)은 단말(3910)을 포함한 복수의 단말들과 도 39의 절차를 수행할 수 있다.
도 39를 참고하면, S3901 단계에서, 기지국(3920)은 단말(3910)에게 구성 정보를 포함하는 L3(layer-3) 메시지를 송신한다. 여기서, 구성 정보는 학습에 참여하기 위해 필요한 정보를 포함한다. 예를 들어, 구성 정보는 학습의 진행에 관련된 정보, 기준 신호들을 위한 자원 할당 정보, 측정 결과의 보고를 위한 포맷 및 자원 할당 정보 중 적어도 하나를 포함할 수 있다.
S3903 단계에서, 기지국(3920)은 단말(3910)에게 하향링크 기준 신호를 송신한다. 이에 따라, 단말(3910)은 하향링크 기준 신호를 이용하여 하향링크 채널을 추정할 수 있다. S3905 단계에서, 단말(3910)은 기지국(3920)에게 상향링크 기준 신호를 송신한다. 이에 따라, 기지국(3920)은 싱향링크 기준 신호를 이용하여 상향링크 채널을 추정할 수 있다. 즉, 단말(3910)은 기지국(3920)으로 수신된 설정 정보에 따라 하향링크 기준 신호에 대한 측정을 시작하며, 동시에 설정 정보에 따라 상향링크 기준 신호를 기지국(3920)으로 송신한다. 필요에 따라, 이러한 측정 및 송신 동작은 반복적으로 수행될 수 있다.
S3907 단계에서, 단말(3910)은 기지국(3920)에게 측정 결과를 포함하는 L3 메시지를 송신한다. 여기서, 측정 결과는 하향링크 기준 신호를 이용한 하향링크 채널 추정의 결과를 포함한다. 예를 들어, 측정 결과는 채널 행렬, 코드워드 인덱스, 압축된 채널 행렬 중 적어도 하나를 포함할 수 있다. 기지국(3920)은 상향링크 기준 신호로부터 추정된 상향링크 채널 정보 및 단말(3910)이 보고한 하향링크 채널에 대한 측정 결과를 쌍(pair) 형태로 구성하고, 라벨링된 데이터 형태로 메모리에 저장할 수 있다.
이후, 주어진 조건의 만족에 따라 학습이 중단된다. 예를 들어, S3909a 단계, S3909b 단계, S3909c 단계 중 하나의 동작에 의해 학습이 중단될 수 있다. 이하의 3009a 단계, S3909b 단계, S3909c 단계의 동작들 중 적어도 하나가 발생하기 전까지, 학습은 지속될 수 있다.
3909a 단계에서, 단말(3910)은 타이머의 만료를 확인한다. 타이머는 S3901 단계에서 수신된 구성 정보에 포함될 수 있다. 즉, 단말(3910)은 정해진 시간이 경과 후 학습을 중단하고, 학습 대기 모드로 진입할 수 있다.
3909b 단계에서, 기지국(3920)은 단말(3910)에게 학습 중단을 지시하는 L3 메시지를 송신할 수 있다. 기지국(3920)은 정해진 시간 동안 단말(3910)을 포함한 복수의 단말들로부터 일정 양의 학습 데이터를 수집한 후, 수집된 학습 데이터를 이용하여 머신 러닝 모델 학습을 수행한다. 따라서, 충분한 양의 학습 데이터가 수집되면, 기지국(3920)은 학습 중단을 지시하는 메시지를 송신할 수 있다.
3909c 단계에서, 단말(3910)은 기지국(3920)에게 학습 중단을 요청하는 L3 메시지를 송신할 수 있다. 학습 중단을 요청하는 메시지는 단말(3910)의 상황에 따른 판단(예: 부하량 및 이동성이 기반한 판단)에 의해 송신될 수 있다. 예를 들어, 단말(3910)은 주기적으로 단말 부하량 및 이동성을 확인하고, 학습을 진행할 상황이 아니라면, 기지국(3920)에게 학습 중단을 요청하는 메시지를 송신하고, 학습 중 모드를 종료한다.
도 39를 참고하여 설명한 실시 예에서, 단말은 하향링크 채널을 추정하고, 기지국에게 측정 결과를 보고한다. 이때, 일 실시 예에 따라, 기지국은 하향링크 채널 정보를 측정하기 위해 머신 러닝 모델을 사용할 것을 단말에게 요청할 수 있다. 일반적으로, 하향링크 채널의 보고를 위한 상향링크 자원 오버헤드를 줄이기 위해, 채널 정보 그 자체 대신에 대신에 채널 정보를 기반으로 코드북 내에서 선택된 최적의 코드워드의 인덱스가 피드백된다. 그러나, 머신 러닝이 통신에 활용되면서, 채널 정보의 보고에 머신 러닝 모델을 활용함으로써, 상향링크 자원을 큰 폭으로 절감하는 기술들이 사용될 수 있다. 이에, 본 개시는 하향링크 채널 정보를 보고함에 있어서, 머신 러닝 모델을 활용하는 실시 예를 제안한다.
일 실시 예에 따르면, 참여 단말 선택 및 구성 절차에서, 기지국은 모든 단말에게 하향링크 채널의 추정에 사용할 머신 러닝 모델을 전달한다. 단말은 획득된 머신 러닝 모델을 사용하여 하향링크 채널을 추정하고, 그 출력을 기지국에 송신할 수 있다. 이때, 머신 러닝 모델의 입력은 하향링크 기준 신호의 수신 값으로부터 도출될 수 있다. 이에 따른 효과는 아래와 같다. 첫째, 머신 러닝을 이용하면 하향링크 채널 정보의 특징이 용이하게 추출될 수 있다. 이로 인해 하향링크 채널 정보의 특징 만을 추출하고, 기지국으로 송신함으로써, 단말이 기지국으로 보내는 자원의 양이 감소될 수 있다. 둘째, 모든 단말들이 공통된 머신 러닝 모델을 이용하여 하향링크 채널 정보를 획득함으로 인해, 다양한 구현 방법으로 인한 단말간 하향링크 채널 정보의 측정 오차가 감소할 수 있다. 셋째, 기지국은 단말에게 제공한 머신 러닝 모델을 활용함으로써, 단말에서 머신 러닝 모델을 사용하여 생성된 하향링크 채널 정보가 기지국의 학습에 필요한 데이터의 형태를 가지도록 제어할 수 있다. 이로 인해, 기지국의 학습에 필요한 데이터 가공 시간 및 자원이 절약될 수 있다.
(4) 학습 및 검증 절차
참여 단말 선택 및 구성 절차에서 선택된 단말로부터 보고 절차를 통해 학습 데이터를 모두 수집하면, 기지국은 머신 러닝 모델에 대한 학습을 수행한다. 학습데이터는 훈련 데이터 셋 및 검사 데이터 셋으로 구분되고, 지도(supervision) 학습이 수행될 수 있다. 여기서, 입력 데이터는 단말의 상향링크 기준 신호로 부터 도출된 상향링크 채널 정보 HUL를 포함하고, 레이블링된 데이터는 하향링크 기준 신호로 부터 단말에 의해 측정 및 보고된 하향링크 채널 정보 HDL을 포함할 수 있다.
학습된 머신 러닝 모델은 검사 데이터 셋을 이용하여 검증된다. 예를 들어, 검사 데이터 셋에 포함된 입력 데이터를 이용하여 추론한 결과 및 레이블링된 데이터를 비교하고, 비교 결과 양자의 차이를 나타내는 지표가 임계치를 초과하면, 검증에 실패함이 선언될 수 있다. 검증 기준을 통과하지 못할 경우, 참여 단말 선택절차가 다시 진행될 수 있다.
(5) 갱신된 머신 러닝 모델 적용 절차
머신 러닝 모델이 학습을 통해 갱신되면, 머신 러닝 모델을 이용하여 채널이 추정될 수 있다. 기지국은 머신 러닝 모델을 이용하여 단말의 상향링크 기준 신호로부터 하향링크 채널을 예측(predict)한다. 즉, 기지국은 상향링크 기준 신호로부터 얻어지는 입력 값을 머신 러닝 모델에 입력하고, 추론 동작을 수행함으로써, 하향링크 채널에 대한 예측(prediction)을 수행할 수 있다. 기지국은 추정된 하향링크 채널 정보를 이용하여 하향링크 데이터 송신에 필요한 프리코딩 또는 빔포밍을 수행하기 위한 파라미터들을 도출하고, 도출된 파라미터를 사용하여 하향링크 데이터를 송신할 수 있다.
이후 필요에 따라 머신 러닝 모델의 학습이 다시 수행될 수 있다. 학습을 재수행 하고자 하는 경우, 기지국은 기존에 등록된 단말들의 풀을 이용할 수 있다. 또는, 기지국은 풀로의 등록을 유도하기 위한 메시지를 송신할 수 있다. 풀에 등록된 단말이 변경될 수 있으므로, 이전 학습 시와 다른 집합에 속한 단말들과 학습이 진행될 수 있다.
전술한 바와 같이, 채널 추정을 위한 머신 러닝 모델의 학습이 수행되고, 학습된 머신 러닝 모델을 이용하여 채널이 추정될 수 있다. 일 실시 예에 따라, 기지국은 복수의 머신 러닝 모델들을 학습하고, 복수의 머신 러닝 모델들을 이용하여 채널을 추정할 수 있다. 즉, 기지국은 복수의 머신 러닝 모델들을 운용하며, 조건 및/또는 상황에 적합한 머신 러닝 모델을 선택적으로 사용할 수 있다.
도 40은 본 개시에 적용 가능한 복수의 머신 러닝 모델들의 분류 예를 나타내는 도면이다. 도 40을 참고하면, 제1 모델(4010), 제2 모델(4020), 제3 모델(4030)이 운용되며, 주어지는 변수에 따라 조건 및/또는 상황이 분류되고, 제1 모델(4010), 제2 모델(4020), 제3 모델(4030) 중 하나가 선택적으로 사용될 수 있다. 예를 들어, 분류의 기준은 추정하고자 하는 채널에 관련된 단말의 특성(예: 이동 속도, 기지국과의 거리 등), 셀의 혼잡 정도, 인접 셀로부터의 간섭 크기, 시간대 중 적어도 하나에 기반하여 정의될 수 있다.
전술한 다양한 실시 예들을 통해, 기지국은 상향링크 기준 신호로부터 하향링크 채널 예측(prediction)을 수행하기 위한 머신 러닝 모델을 실시간으로 온라인 학습할 수 있다. 이에 따라, 기지국 환경에 최적화된 머신 러닝 모델을 기반으로 통신 시스템에서 하향링크 채널 정보 획득에 필요한 오버헤드(예: CSI(channel state information)-RS(reference signal) 송신 자원, CSI 피드백 자원, 지연(latency) 등)가 감소될 수 있다.
또한, 시스템은 각 셀 환경에 최적화된 머신 러닝 모델을 운영할 수 있다. 구체적으로, 각 기지국 내에 골고루 분포된 단말들로부터 학습 데이터를 수집함으로 인해, 시스템은 기지국의 다양한 채널 환경을 학습하고, 동일 모델로 모든 단말의 하향링크 추정을 수행할 수 있고, 추정 오차도 줄일 수 있다.
상기 설명한 제안 방식에 대한 일례들 또한 본 개시의 구현 방법들 중 하나로 포함될 수 있으므로, 일종의 제안 방식들로 간주될 수 있음은 명백한 사실이다. 또한, 상기 설명한 제안 방식들은 독립적으로 구현될 수도 있지만, 일부 제안 방식들의 조합 (또는 병합) 형태로 구현될 수 도 있다. 상기 제안 방법들의 적용 여부 정보 (또는 상기 제안 방법들의 규칙들에 대한 정보)는 기지국이 단말에게 사전에 정의된 시그널 (예: 물리 계층 시그널 또는 상위 계층 시그널)을 통해서 알려주도록 규칙이 정의될 수 가 있다.
본 개시는 본 개시에서 서술하는 기술적 아이디어 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 개시의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 개시의 등가적 범위 내에서의 모든 변경은 본 개시의 범위에 포함된다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시 예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
본 개시의 실시 예들은 다양한 무선접속 시스템에 적용될 수 있다. 다양한 무선접속 시스템들의 일례로서, 3GPP(3rd Generation Partnership Project) 또는 3GPP2 시스템 등이 있다.
본 개시의 실시 예들은 상기 다양한 무선접속 시스템뿐 아니라, 상기 다양한 무선접속 시스템을 응용한 모든 기술 분야에 적용될 수 있다. 나아가, 제안한 방법은 초고주파 대역을 이용하는 mmWave, THzWave 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 단말의 동작 방법에 있어서,
    학습에 관련된 정보를 포함하는 제1 메시지를 송신하는 단계;
    학습을 위한 설정(configuration) 정보를 포함하는 제2 메시지를 수신하는 단계;
    상향링크 기준 신호를 송신하는 단계; 및
    하향링크 기준 신호에 기반하여 측정된 하향링크 채널에 관련된 채널 정보를 송신하는 단계를 포함하는 방법.
  2. 청구항 1에 있어서,
    상기 제1 메시지는, 상기 단말의 학습 지원 능력에 관련된 정보, 상기 학습에 관련된 상태를 알리는 정보, 상기 학습에 관련된 상태의 변경을 요구하는 정보 중 적어도 하나를 포함하는 방법.
  3. 청구항 1에 있어서,
    상기 제2 메시지는, 상기 학습의 진행에 관련된 정보, 상기 하향링크 기준 신호를 위한 자원을 지시하는 정보, 상기 상향링크 기준 신호를 위한 자원을 지시하는 정보, 상기 하향링크 채널의 측정 결과를 보고하기 위한 정보 중 적어도 하나를 포함하는 방법.
  4. 청구항 1에 있어서,
    상기 제2 메시지는, 상기 하향링크 채널을 측정하기 위한 머신 러닝 모델에 관련된 정보를 포함하며,
    상기 하향링크 기준 신호 및 상기 머신 러닝 모델을 이용하여 상기 하향링크 채널을 추론하는 단계를 더 포함하는 방법.
  5. 청구항 1에 있어서,
    상기 단말의 부하량(load) 및 이동성(mobility) 변화율 중 적어도 하나에 기반하여 학습 모드를 결정하는 단계를 더 포함하며,
    상기 제1 메시지는, 상기 결정된 학습 모드로의 변경을 요청하는 정보를 포함하는 방법.
  6. 청구항 5에 있어서,
    상기 학습 모드를 결정하는 단계는,
    상기 부하량 또는 상기 이동성 변화율이 임계치를 초과하면, 학습을 중단하는 모드를 선택하는 단계; 및
    상기 부하량 또는 상기 이동성 변화율이 임계치 미만이면, 학습을 수행하거나 또는 수행 대기하는 모드를 선택하는 단계를 포함하는 방법.
  7. 청구항 1에 있어서,
    상기 제1 메시지를 송신하는 단계는,
    초기 접속 시 상기 단말의 학습 지원 능력에 관련된 정보를 포함하는 능력 정보(capability information) 메시지를 송신하는 단계를 포함하는 방법.
  8. 청구항 1에 있어서,
    상기 제1 메시지를 송신하는 단계는,
    상기 단말의 상태 변화에 따라 학습을 위한 단말 풀(pool)에 등록을 요청하는 메시지를 송신하는 단계를 포함하는 방법.
  9. 청구항 1에 있어서,
    상기 제1 메시지는, 학습 기간을 지시하는 정보를 포함하며,
    상기 학습 기간이 경과하면, 학습을 종료하는 단계를 더 포함하는 방법.
  10. 무선 통신 시스템에서 기지국의 동작 방법에 있어서,
    단말로부터 학습에 관련된 정보 포함하는 제1 메시지를 수신하는 단계;
    상기 단말에게 학습을 위한 설정(configuration) 정보를 포함하는 제2 메시지를 송신하는 단계;
    상기 단말로부터 상향링크 기준 신호를 수신하는 단계;
    상기 단말로부터 하향링크 기준 신호에 기반하여 측정된 하향링크 채널에 관련된 제1 채널 정보를 수신하는 단계; 및
    상기 제1 채널 정보 및 상향링크 기준 신호에 기반하여 측정된 제2 채널 정보를 이용하여 하향링크 채널을 추정하기 위한 머신 러닝 모델에 대한 학습을 수행하는 단계를 포함하는 방법.
  11. 청구항 10에 있어서,
    상기 제1 메시지는, 상기 단말의 학습 지원 능력에 관련된 정보, 상기 학습에 관련된 상태를 알리는 정보, 상기 학습에 관련된 상태의 변경을 요구하는 정보 중 적어도 하나를 포함하는 방법.
  12. 청구항 10에 있어서,
    상기 제2 메시지는, 상기 학습의 진행에 관련된 정보, 상기 하향링크 기준 신호를 위한 자원을 지시하는 정보, 상기 상향링크 기준 신호를 위한 자원을 지시하는 정보, 상기 하향링크 채널의 측정 결과를 보고하기 위한 정보 중 적어도 하나를 포함하는 방법.
  13. 청구항 10에 있어서,
    상기 단말을 포함한, 등록을 요청한 복수의 단말들을 단말 풀(pool)에 등록하는 단계; 및
    상기 복수의 단말들의 위치, 이동 속도, 신호 세기 중 적어도 하나에 기반하여 상기 복수의 단말들 중 적어도 하나를 학습에 참여할 적어도 하나의 단말로서 선택하는 단계를 더 포함하는 방법.
  14. 청구항 10에 있어서,
    최근 학습으로부터의 경과 시간, 상기 머신 러닝 모델의 성능, 학습을 위해 사용 가능한 자원, 학습에 참여 가능한 단말들의 개수 중 적어도 하나에 기반하여 추가적인 학습의 수행 여부를 판단하는 단계를 더 포함하는 방법.
  15. 청구항 10에 있어서,
    상기 제2 메시지는, 상기 단말에서 상기 하향링크 채널을 측정하기 위한 다른 머신 러닝 모델에 관련된 정보를 포함하는 방법.
PCT/KR2020/008996 2019-12-01 2020-07-09 무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치 Ceased WO2021112360A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/776,510 US12506552B2 (en) 2019-12-01 2020-07-09 Method and apparatus for estimating channel in wireless communication system
KR1020227007969A KR102727494B1 (ko) 2019-12-01 2020-07-09 무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962942191P 2019-12-01 2019-12-01
US62/942,191 2019-12-01

Publications (1)

Publication Number Publication Date
WO2021112360A1 true WO2021112360A1 (ko) 2021-06-10

Family

ID=76222110

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/008996 Ceased WO2021112360A1 (ko) 2019-12-01 2020-07-09 무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치

Country Status (3)

Country Link
US (1) US12506552B2 (ko)
KR (1) KR102727494B1 (ko)
WO (1) WO2021112360A1 (ko)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113726711A (zh) * 2021-09-01 2021-11-30 北京邮电大学 Ofdm接收方法和装置、信道估计模型训练方法和装置
US20210376886A1 (en) * 2020-05-26 2021-12-02 National Sun Yat-Sen University Method of Parameter Estimation for a Multi-input Multi-output System
CN113783810A (zh) * 2021-09-14 2021-12-10 华南理工大学 智能反射面辅助室内通信的信道估计方法、装置及介质
CN114826941A (zh) * 2022-04-27 2022-07-29 中国电子科技集团公司第五十四研究所 一种无线通信网络ai模型配置方法
WO2023285012A1 (en) * 2021-07-15 2023-01-19 Nokia Technologies Oy Sidelink signal sensing of passively reflected signal to predict decrease in radio network performance of a user node-network node radio link
WO2023000229A1 (zh) * 2021-07-21 2023-01-26 北京小米移动软件有限公司 信息传输方法、装置、通信设备和存储介质
WO2023069857A1 (en) * 2021-10-19 2023-04-27 Qualcomm Incorporated Energy harvesting reporting
CN116032917A (zh) * 2021-10-26 2023-04-28 展讯通信（上海）有限公司 联邦学习方法及装置、通信方法及装置
WO2023072239A1 (zh) * 2021-11-01 2023-05-04 维沃移动通信有限公司 信道预测方法、装置、网络侧设备及终端
WO2023182823A1 (en) * 2022-03-23 2023-09-28 Samsung Electronics Co., Ltd. Method and apparatus for reference symbol pattern adaptation
WO2023206207A1 (en) * 2022-04-28 2023-11-02 Qualcomm Incorporated Model management for channel state estimation and feedback
WO2023214206A1 (en) * 2022-05-06 2023-11-09 Telefonaktiebolaget Lm Ericsson (Publ) Resource management in an environment
WO2023239521A1 (en) * 2022-06-10 2023-12-14 Qualcomm Incorporated Machine learning data collection, validation, and reporting configurations
WO2024035175A1 (en) * 2022-08-10 2024-02-15 Samsung Electronics Co., Ltd. User equipment, base station and method performed by the same in wireless communication system
WO2024081062A1 (en) * 2022-10-11 2024-04-18 Qualcomm Incorporated Techniques for reporting correlation metrics for machine learning reproducibility
EP4335071A4 (en) * 2021-06-15 2024-10-23 Samsung Electronics Co., Ltd. METHOD AND DEVICE FOR ADJUSTING REFERENCE SYMBOL PATTERNS
EP4496243A4 (en) * 2022-03-18 2025-04-02 Beijing Xiaomi Mobile Software Co., Ltd. Channel estimation method, device and apparatus, and storage medium
JP2025510745A (ja) * 2022-03-21 2025-04-15 華為技術有限公司 通信方法及び関連する装置
US12536845B2 (en) * 2020-10-06 2026-01-27 Lg Electronics Inc. Method for performing reinforcement learning by V2X communication device in autonomous driving system

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11736466B2 (en) * 2019-09-18 2023-08-22 Bioconnect Inc. Access control system
CN114762385A (zh) * 2019-12-13 2022-07-15 索尼集团公司 信息处理设备、信息处理方法、终端设备、基站设备及程序
WO2021172631A1 (ko) * 2020-02-28 2021-09-02 엘지전자 주식회사 무선통신시스템에서 ue가 기지국과의 초기 접속을 수행하는 방법 및 이를 위한 장치
DE102020113306A1 (de) * 2020-05-15 2021-11-18 Helmut Fischer GmbH Institut für Elektronik und Messtechnik Vorrichtung zum Senden und/oder Empfangen von Terahertz-Strahlung und Steuereinrichtung hierfür
US20230231653A1 (en) * 2020-06-18 2023-07-20 Lg Electronics Inc. Method for transmitting or receiving data in wireless communication system and apparatus therefor
CN114079942A (zh) * 2020-08-17 2022-02-22 索尼公司 用于无线通信的电子设备和方法、计算机可读存储介质
US12381762B2 (en) * 2020-12-18 2025-08-05 Nokia Technologies Oy Channel estimation using machine learning
US11844145B2 (en) * 2021-06-09 2023-12-12 Qualcomm Incorporated User equipment signaling and capabilities to enable federated learning and switching between machine learning and non-machine learning related tasks
TWI852002B (zh) * 2022-04-28 2024-08-11 緯創資通股份有限公司 為光學相機通訊校正幀的方法和電子裝置
KR20250110845A (ko) * 2022-11-30 2025-07-21 엘지전자 주식회사 무선 통신 시스템에서 조절 가능한 파라미터를 가지는 송수신기를 이용하여 신호를 송수신하기 위한 방법 및 장치
KR102875514B1 (ko) * 2023-03-06 2025-10-24 한국과학기술원 Fdd 시스템을 위한 딥 러닝 기반 파일럿 설계, 채널 피드백, 빔포밍의 동시 설계 방법 및 시스템
US20250373297A1 (en) * 2023-04-11 2025-12-04 Lg Electronics Inc. Method and device for wireless communication using artificial intelligence/machine learning
CN119232334A (zh) * 2023-06-28 2024-12-31 华为技术有限公司 一种通信方法及装置
US20250062812A1 (en) * 2023-08-16 2025-02-20 Qualcomm Incorporated Reporting a per codeword capacity ratio metric for improved wireless communications
EP4518414A1 (en) * 2023-08-30 2025-03-05 Nokia Technologies Oy Methods and apparatuses for obtaining measurements for offline training

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120084238A1 (en) * 2007-07-31 2012-04-05 Cornell Research Foundation, Inc. System and Method to Enable Training a Machine Learning Network in the Presence of Weak or Absent Training Exemplars
KR20160146947A (ko) * 2014-04-23 2016-12-21 삼성전자주식회사 업링크 사운딩 참조 신호를 송신하기 위한 방법 및 장치
US20180102956A1 (en) * 2016-10-10 2018-04-12 Netgear, Inc. Machine learning coordinated wireless networking
KR20190087351A (ko) * 2019-07-05 2019-07-24 엘지전자 주식회사 머신 러닝 시스템, 방법 및 장치
KR20190126025A (ko) * 2019-10-21 2019-11-08 엘지전자 주식회사 차량의 데이터 통신 방법 및 장치

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101643226B1 (ko) 2009-05-19 2016-08-10 엘지전자 주식회사 제어 정보를 전송하는 방법 및 장치
US11825439B2 (en) * 2021-08-06 2023-11-21 Qualcomm Incorporated Data gathering and data selection to train a machine learning algorithm

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120084238A1 (en) * 2007-07-31 2012-04-05 Cornell Research Foundation, Inc. System and Method to Enable Training a Machine Learning Network in the Presence of Weak or Absent Training Exemplars
KR20160146947A (ko) * 2014-04-23 2016-12-21 삼성전자주식회사 업링크 사운딩 참조 신호를 송신하기 위한 방법 및 장치
US20180102956A1 (en) * 2016-10-10 2018-04-12 Netgear, Inc. Machine learning coordinated wireless networking
KR20190087351A (ko) * 2019-07-05 2019-07-24 엘지전자 주식회사 머신 러닝 시스템, 방법 및 장치
KR20190126025A (ko) * 2019-10-21 2019-11-08 엘지전자 주식회사 차량의 데이터 통신 방법 및 장치

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11489560B2 (en) * 2020-05-26 2022-11-01 National Sun Yat-Sen University Method of parameter estimation for a multi-input multi-output system
US20210376886A1 (en) * 2020-05-26 2021-12-02 National Sun Yat-Sen University Method of Parameter Estimation for a Multi-input Multi-output System
US12536845B2 (en) * 2020-10-06 2026-01-27 Lg Electronics Inc. Method for performing reinforcement learning by V2X communication device in autonomous driving system
US12212437B2 (en) 2021-06-15 2025-01-28 Samsung Electronics Co., Ltd. Method and apparatus for reference symbol pattern adaptation
EP4335071A4 (en) * 2021-06-15 2024-10-23 Samsung Electronics Co., Ltd. METHOD AND DEVICE FOR ADJUSTING REFERENCE SYMBOL PATTERNS
WO2023285012A1 (en) * 2021-07-15 2023-01-19 Nokia Technologies Oy Sidelink signal sensing of passively reflected signal to predict decrease in radio network performance of a user node-network node radio link
WO2023000229A1 (zh) * 2021-07-21 2023-01-26 北京小米移动软件有限公司 信息传输方法、装置、通信设备和存储介质
CN113726711B (zh) * 2021-09-01 2023-09-15 北京邮电大学 Ofdm接收方法和装置、信道估计模型训练方法和装置
CN113726711A (zh) * 2021-09-01 2021-11-30 北京邮电大学 Ofdm接收方法和装置、信道估计模型训练方法和装置
CN113783810B (zh) * 2021-09-14 2022-06-14 华南理工大学 智能反射面辅助室内通信的信道估计方法、装置及介质
CN113783810A (zh) * 2021-09-14 2021-12-10 华南理工大学 智能反射面辅助室内通信的信道估计方法、装置及介质
WO2023069857A1 (en) * 2021-10-19 2023-04-27 Qualcomm Incorporated Energy harvesting reporting
US12500444B2 (en) 2021-10-19 2025-12-16 Qualcomm Incorporated Energy harvesting reporting
CN116032917A (zh) * 2021-10-26 2023-04-28 展讯通信（上海）有限公司 联邦学习方法及装置、通信方法及装置
WO2023072239A1 (zh) * 2021-11-01 2023-05-04 维沃移动通信有限公司 信道预测方法、装置、网络侧设备及终端
EP4496243A4 (en) * 2022-03-18 2025-04-02 Beijing Xiaomi Mobile Software Co., Ltd. Channel estimation method, device and apparatus, and storage medium
JP2025510745A (ja) * 2022-03-21 2025-04-15 華為技術有限公司 通信方法及び関連する装置
US12335091B2 (en) 2022-03-23 2025-06-17 Samsung Electronics Co., Ltd. Method and apparatus for reference symbol pattern adaptation
WO2023182823A1 (en) * 2022-03-23 2023-09-28 Samsung Electronics Co., Ltd. Method and apparatus for reference symbol pattern adaptation
CN114826941A (zh) * 2022-04-27 2022-07-29 中国电子科技集团公司第五十四研究所 一种无线通信网络ai模型配置方法
WO2023206207A1 (en) * 2022-04-28 2023-11-02 Qualcomm Incorporated Model management for channel state estimation and feedback
WO2023214206A1 (en) * 2022-05-06 2023-11-09 Telefonaktiebolaget Lm Ericsson (Publ) Resource management in an environment
WO2023239521A1 (en) * 2022-06-10 2023-12-14 Qualcomm Incorporated Machine learning data collection, validation, and reporting configurations
WO2024035175A1 (en) * 2022-08-10 2024-02-15 Samsung Electronics Co., Ltd. User equipment, base station and method performed by the same in wireless communication system
WO2024081062A1 (en) * 2022-10-11 2024-04-18 Qualcomm Incorporated Techniques for reporting correlation metrics for machine learning reproducibility
US12381789B2 (en) 2022-10-11 2025-08-05 Qualcomm Incorporated Techniques for reporting correlation metrics for machine learning reproducibility

Also Published As

Publication number Publication date
KR102727494B1 (ko) 2024-11-06
KR20220107153A (ko) 2022-08-02
US20220393781A1 (en) 2022-12-08
US12506552B2 (en) 2025-12-23

Similar Documents

Publication Publication Date Title
WO2021112360A1 (ko) 무선 통신 시스템에서 채널을 추정하기 위한 방법 및 장치
WO2022019352A1 (ko) 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치
WO2022050432A1 (ko) 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치
WO2021261611A1 (ko) 무선 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치
WO2022075493A1 (ko) 자율 주행 시스템에서 v2x 통신 장치의 강화 학습 수행 방법
WO2022025321A1 (ko) 통신 장치의 신호 랜덤화 방법 및 장치
WO2022014728A1 (ko) 무선 통신 시스템에서 단말 및 기지국의 채널 코딩 수행 방법 및 장치
WO2021256584A1 (ko) 무선 통신 시스템에서 데이터를 송수신하는 방법 및 이를 위한 장치
WO2022059808A1 (ko) 자율 주행 시스템에서 v2x 통신 장치의 강화 학습 수행 방법
WO2022097850A1 (ko) 무선 통신 시스템에서 재전송을 수행하기 위한 방법 및 장치
WO2022014735A1 (ko) 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치
WO2022054981A1 (ko) 압축 연합 학습 수행 방법 및 장치
WO2022054985A1 (ko) 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치
WO2022154139A1 (ko) 차등 프라이버시를 고려한 신호 송수신 방법 및 상기 방법을 이용하는 장치
WO2022039303A1 (ko) Thz 대역을 지원하는 무선 통신 시스템에서 안테나의 빔을 생성하기 위한 방법 및 이를 위한 장치
WO2022054980A1 (ko) 무선 통신 시스템에서 사용 가능한 뉴럴 네트워크 인코더 구조 및 인코딩 방법
WO2021251511A1 (ko) 무선 통신 시스템에서 고주파 대역의 상향링크 신호를 송수신하는 방법 및 이를 위한 장치
WO2022050528A1 (ko) 무선 통신 시스템에서 셀 재선택을 수행하기 위한 방법 및 장치
WO2022014732A1 (ko) 무선 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치
WO2022149641A1 (ko) 다중 안테나 서버 및 단일 안테나 유저 설정 기반 연합 러닝 방법 및 장치
WO2022080534A1 (ko) 디지털 aircomp 시그널링
WO2021251523A1 (ko) 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치
WO2021256585A1 (ko) 무선 통신 시스템에서 신호 송수신 방법 및 장치
WO2022145583A1 (ko) 무선 통신 시스템에서 연합 학습을 수행하기 위한 방법 및 장치
WO2022225080A1 (ko) 무선 통신 시스템에서 단말 및 기지국의 신호 송수신 방법 및 장치

Legal Events

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

Ref document number: 20896874

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20896874

Country of ref document: EP

Kind code of ref document: A1