[go: up one dir, main page]

WO2025178344A1 - 무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치 - Google Patents

무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치

Info

Publication number
WO2025178344A1
WO2025178344A1 PCT/KR2025/002336 KR2025002336W WO2025178344A1 WO 2025178344 A1 WO2025178344 A1 WO 2025178344A1 KR 2025002336 W KR2025002336 W KR 2025002336W WO 2025178344 A1 WO2025178344 A1 WO 2025178344A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
beams
model
base station
terminal
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.)
Pending
Application number
PCT/KR2025/002336
Other languages
English (en)
French (fr)
Inventor
서영길
홍의현
이정수
한진백
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.)
Hyundai Motor Co
Kia Corp
Original Assignee
Hyundai Motor Co
Kia Corp
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 Hyundai Motor Co, Kia Corp filed Critical Hyundai Motor Co
Priority claimed from KR1020250020758A external-priority patent/KR20250128252A/ko
Publication of WO2025178344A1 publication Critical patent/WO2025178344A1/ko
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L5/00—Arrangements affording multiple use of the transmission path
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data

Definitions

  • Communication networks are being developed to provide improved communication services compared to existing communication networks (e.g., long term evolution (LTE), advanced LTE-A (LTE-A), etc.).
  • 5G communication networks e.g., new radio (NR) communication networks
  • LTE long term evolution
  • LTE-A advanced LTE-A
  • 5G communication networks can support frequency bands above 6 GHz as well as frequency bands below 6 GHz. That is, 5G communication networks can support FR1 bands and/or FR2 bands.
  • 5G communication networks can support various communication services and scenarios compared to LTE communication networks. For example, usage scenarios of 5G communication networks can include enhanced Mobile Broadband (eMBB), Ultra Reliable Low Latency Communication (URLLC), massive Machine Type Communication (mMTC), etc.
  • eMBB enhanced Mobile Broadband
  • URLLC Ultra Reliable Low Latency Communication
  • mMTC massive Machine Type Communication
  • AI artificial intelligence
  • CCM customer relationship management
  • AI can also be used to reduce the complexity of signaling between terminals and base stations or to improve its accuracy. To this end, research is being conducted on methods for utilizing AI models to replace some or all of the signaling for channel measurement, beam management, positioning, and other tasks, or to improve performance.
  • the purpose of the present disclosure to solve the above problems is to provide a method and device for effectively signaling information about a beam set for beam management.
  • An object of the present disclosure is to provide a method and apparatus for configuring a first set of beams to be the subject of inference and a second set of beams used for inference.
  • a method of operating a terminal in a wireless communication system may include determining a first set and a second set of beams for artificial intelligence (AI)/machine learning (ML)-based beam management, receiving at least one reference signal corresponding to at least one beam belonging to the second set, predicting information about at least one beam included in the first set based on the at least one reference signal, and transmitting the information about the at least one beam to a base station.
  • the information about at least one beam included in the first set may be predicted based on a measurement result for at least one reference signal corresponding to at least one beam included in the second set.
  • a method of operating a base station in a wireless communication system may include determining a first set and a second set of beams for artificial intelligence (AI)/machine learning (ML)-based beam management, transmitting at least one reference signal corresponding to at least one beam belonging to the second set, and receiving information about at least one beam included in the first set, which is predicted based on the at least one reference signal.
  • the information about at least one beam included in the first set may be predicted based on a measurement result for at least one reference signal corresponding to at least one beam included in the second set.
  • a terminal in a wireless communication system, includes at least one transceiver, at least one processor, and at least one memory operably connected to the at least one processor and storing instructions that, when executed by the processor, control the terminal to perform operations, wherein the operations may include determining a first set and a second set of beams for artificial intelligence (AI)/machine learning (ML)-based beam management, receiving at least one reference signal corresponding to at least one beam belonging to the second set, predicting information about at least one beam included in the first set based on the at least one reference signal, and transmitting information about the at least one beam to a base station.
  • the information about the at least one beam included in the first set may be predicted based on a measurement result for at least one reference signal corresponding to at least one beam included in the second set.
  • a base station includes at least one transceiver, at least one processor, and at least one memory operably connected to the at least one processor and storing instructions that, when executed by the processor, control the terminal to perform operations, wherein the operations may include determining a first set and a second set of beams for artificial intelligence (AI)/machine learning (ML)-based beam management, transmitting at least one reference signal corresponding to at least one beam belonging to the second set, and receiving information about at least one beam included in the first set, which is predicted based on the at least one reference signal.
  • the information about at least one beam included in the first set may be predicted based on a measurement result for at least one reference signal corresponding to at least one beam included in the second set.
  • Figure 1 illustrates a wireless communication system according to an embodiment of the present disclosure.
  • FIG. 2 illustrates a block diagram of a communication node according to an embodiment of the present disclosure.
  • FIG. 3a illustrates a block diagram of a transmission path of a communication node according to an embodiment of the present disclosure.
  • FIG. 3b illustrates a block diagram of a receiving path of a communication node according to an embodiment of the present disclosure.
  • FIG. 4 illustrates a device for inferring or learning an AI/ML (artificial intelligence/machine learning) model according to an embodiment of the present disclosure.
  • AI/ML artificial intelligence/machine learning
  • Figure 5 illustrates the structure of a neural network according to an embodiment of the present disclosure.
  • FIG. 6 illustrates an AI/ML framework according to an embodiment of the present disclosure.
  • each of the plurality of terminals can perform an operation corresponding to the base station (110-1, 110-2, 110-3, 120-1, 120-2) and an operation supported by the base station (110-1, 110-2, 110-3, 120-1, 120-2).
  • the second base station (110-2) can transmit a signal to the fourth terminal (130-4) based on the SU-MIMO scheme
  • the fourth terminal (130-4) can receive a signal from the second base station (110-2) by the SU-MIMO scheme.
  • control unit can instruct the AI/ML model to be used by the server or an external device, or instruct the activation/deactivation of the use of the AI/ML model.
  • Fig. 3 illustrates the server as including both the model learning unit and the model inference unit. However, depending on the purpose of the server, either the model learning unit or the model inference unit may be included.
  • the structure of the aforementioned FIG. 3 can be applied not only to servers but also to other devices such as terminals, wireless devices, autonomous vehicles, and mobile devices where inference or learning occurs.
  • a transmission path (410) may be implemented in a communication node that transmits a signal
  • a reception path (420) may be implemented in a communication node that receives a signal.
  • the transmission path (410) may include a channel coding and modulation block (411), an S-to-P (serial-to-parallel) block (512), an N IFFT (Inverse Fast Fourier Transform) block (413), a P-to-S (parallel-to-serial) block (414), a CP (cyclic prefix) addition block (415), and an UC (up-converter) (UC) (416).
  • the receiving path (420) may include a DC (down-converter) (421), a CP removal block (422), an S-to-P block (423), an N FFT block (424), a P-to-S block (425), and a channel decoding and demodulation block (426).
  • N may be a natural number.
  • a signal transmitted from a transmission path (410) may be input to a reception path (420).
  • An operation in the reception path (420) may be the reverse operation of the operation in the transmission path (410).
  • a DC (421) may down-convert the frequency of the received signal to a baseband frequency.
  • a CP removal block (422) may remove a CP from a signal. The output of the CP removal block (422) may be a serial signal.
  • An S-to-P block (423) may convert the serial signal into parallel signals.
  • An N FFT block (424) may perform an FFT algorithm to generate N parallel signals.
  • a P-to-S block (425) may convert the parallel signals into a sequence of modulation symbols.
  • a channel decoding and demodulation block (426) may perform a demodulation operation on the modulation symbols and perform a decoding operation on the result of the demodulation operation to restore data.
  • the output layer is the final layer of the neural network and provides the final output value. Based on the final output value of the output layer, the error between the neural network's prediction and the actual target value can be calculated.
  • AI/ML-enabled features refer to specific functions that utilize AI/ML. Examples of AI/ML-enabled features include CSI measurements, beam management, and positioning.
  • AI/ML Model refers to an algorithm that applies AI/ML technology to generate a set of outputs based on a set of inputs.
  • the AI/ML model may not refer to the algorithm itself, but rather to a set of parameter values that specify the AI/ML model.
  • an AI/ML model may be expressed as a set of weights in a neural network.
  • AI/ML model delivery refers to the transfer of an AI/ML model from one entity to another.
  • the entities can include network nodes/functions (e.g., gNBs, LMFs, etc.), UEs, standalone servers, etc. Therefore, an AI/ML model trained by a first entity can be transferred to a second entity.
  • AI/ML model inference refers to the process of generating a set of outputs based on a set of inputs using a trained AI/ML model within a single entity.
  • AI/ML model training refers to the process of training an AI/ML model in a data-driven manner to learn input/output relationships and obtain a trained AI/ML model that can be used for inference.
  • AI/ML model transfer refers to the transfer of an AI/ML model from a sender to a receiver. Transfer can be wireless or wired, and can include parameters of a known model structure or parameters related to a new model. The transferred parameters can include parameters for the entire model or a portion of the model.
  • Management instructions refer to the information necessary to ensure proper inference operations. Management instructions may include selecting/deactivating/switching AI/ML models or AI/ML functions, performing AI/ML tasks, and performing other alternative operations.
  • Model monitoring refers to the process of monitoring the inference performance of an AI/ML model
  • model parameter update refers to the process of updating the model's parameters
  • Model selection refers to selecting one of several models to activate for a single AI/ML-enabled function. Model selection can occur simultaneously with model activation. Model switching refers to deactivating the currently activated AI/ML model for a specific AI/ML-enabled function and activating a different AI/ML model. Model updating refers to the process of updating model parameters and/or model structure.
  • Reinforcement learning refers to the process of training an AI/ML model based on inputs (i.e., states) and feedback signals (e.g., rewards) generated by the model's output (e.g., actions) in an environment in which the model interacts.
  • Semi-supervised learning refers to the process of training a model using a mixture of labeled and unlabeled data.
  • Supervised learning refers to the process of training a model based on inputs and their corresponding labels.
  • Unsupervised learning refers to the process of training a model using unlabeled data.
  • a channel measurement procedure may be performed for beam management.
  • the terminal may receive a reference signal from the base station. Based on this, the terminal may report channel state information (CSI) to the base station.
  • the channel state information may include at least one of reference signal received power (RSRP), reference signal received quality (RSRQ), and signal-to-noise ratio (SNR).
  • RSRP reference signal received power
  • RSRQ reference signal received quality
  • SNR signal-to-noise ratio
  • the base station may use the received channel state information to adjust beamforming for the terminal or optimize radio resource allocation.
  • the base station may transmit configuration information for channel measurement to the terminal.
  • the configuration information for channel measurement may include information related to a measurement target, a measurement cycle, and the like.
  • Training data for model training can be generated by the UE.
  • input data can be used internally within the UE.
  • Data for performance metrics or performance metric calculations required for network-side performance monitoring can be generated by the UE and terminated at the gNB.
  • the input of the artificial intelligence model can be formed from various combinations.
  • the input of the artificial intelligence can include at least one of an L1-RSRP measurement based on beam set B, other auxiliary information, a channel impulse response (CIR) based on beam set B, and a downlink Tx/Rx beam identifier (ID) associated with the L1-RSRP measurement of beam set B.
  • CIR channel impulse response
  • ID downlink Tx/Rx beam identifier
  • the aforementioned artificial intelligence model can be designed to infer a beam including at least one of a downlink reception beam and a downlink transmission beam.
  • the output of the artificial intelligence model can include at least one of a transmission beam, a reception beam, an L1-RSRP of the transmission beam, an L1-RSRP of the reception beam, an angle of the transmission beam, an angle of the reception beam, and other information.
  • the beam management method using an AI model is not limited to the aforementioned method.
  • the AI model can be configured in various ways by configuring inputs and outputs with various combinations of settings for beam sets A and B, performance monitoring, data collection, and auxiliary information.
  • the method of directly determining location through an AI/ML model outputs the UE's location, and channel fingerprinting based on channel observations can be used as input for the AI/ML model.
  • Fingerprinting is a positioning technique based on probabilistic modeling that utilizes noise and surrounding environmental information for location tracking. Therefore, fingerprinting utilizes existing devices, such as wireless access points (APs), to construct a fingerprint map based on signal strength values, and the terminal's location can be determined based on the channel fingerprint generated by the terminal's channel observation.
  • APs wireless access points
  • AI/ML models determine auxiliary positions can be output as new and/or enhanced values of existing measurements, and inputs can include LOS/NLOS identification, timing and/or angle of measurements, and probability of measurements.
  • ... ... - Beam management - DL Tx beam prediction for both UE-sided model and NW-sided model encompassing [RAN1/RAN2]: o Spatial-domain DL Tx beam prediction for Set A of beams based on measurement results of Set B of beams (“” o Temporal DL Tx beam prediction for Set A of beams based on the historic measurement results of Set B of beams (“” o Specify necessary signaling/mechanism(s) to facilitate LCM operations specific to the Beam Management use cases, if any o Enabling method(s) to ensure consistency between training and inference regarding NW-side additional conditions (if identified) for inference at UE NOTE: Strive for common framework design to support both BM-Case1 and BM-Case2
  • the UE-side model and the NW-side model may have a structure in which the UE and NW each perform at least one operation for an AI/ML procedure, rather than utilizing an AI/ML model coupled between the UE and NW.
  • the detailed development scope includes the following four topics.
  • AI/ML Advanced Driver Assistance Systems
  • the standard defines an AI/ML framework that will be commonly used in AI/ML for the NR air interface, and includes descriptions of three representative use cases (e.g., CSI feedback, positioning accuracy enhancement, beam management, etc.), performance evaluation results, and expected specification changes.
  • Rel-19 RAN WG1 will develop standards for positioning accuracy enhancement and beam management, and conduct further research on CSI-RS feedback.
  • the aforementioned AI/ML framework is as shown in Fig. 6.
  • FIG. 6 illustrates an AI/ML framework according to an embodiment of the present disclosure.
  • the AI/ML models are classified into NW-side AI/ML models, UE-side AI/ML models, and two-side AI/ML.
  • the NW-side AI/ML model and the UE-side AI/ML model process all AI/ML operations at either the base station or the terminal, while the two-side AI/ML model jointly performs AI/ML operations at the base station and the terminal. Therefore, the two-side AI/ML model requires significantly more data transmission for AI/ML than the NW-side AI/ML model and the UE-side AI/ML model, and may have significantly greater complexity. Therefore, standardization of the NW-side AI/ML model and the UE-side AI/ML model is expected in Rel-19.
  • TR38.843 The following are selected as representative sub-use cases: - BM-Case1: Spatial-domain Downlink beam prediction for Set A of beams based on measurement results of Set B of beams ... - BM-Case2: Temporal Downlink beam prediction for Set A of beams based on the historic measurement results of Set B of beams ... Set B is a set of beams whose measurements are taken as inputs of the AI/ML model. Clause 6.3.2.3 in TR38.843 ...
  • FIG. 7 illustrates a procedure for AI/ML-based beam management according to an embodiment of the present disclosure. As shown in FIG. 7, a terminal and a base station interact for the procedure for AI/ML-based beam management.
  • step S701 the base station transmits a capability information inquiry message to the terminal.
  • the terminal After connecting to the base station through the initial connection procedure, the terminal establishes a connection and can receive a request for capability information from the base station.
  • the object of the probability information may be defined in various ways, such as the probability that each beam satisfies a specific criterion, the probability that each beam has a specific performance requirement, etc.
  • the probability information may include a probability value that each beam belongs to the top K beams (e.g., the best K beams selected based on a specific metric (e.g., L1-RSRP, etc.)).
  • the information obtained through inference may include a value representing the characteristics of the beam, specifically, a vector value of a latent space.
  • AI/ML-based beam management can be performed according to the aforementioned procedure.
  • the base station signals the configuration of beam sets to the terminal.
  • the beam sets may include beam set A and beam set B, as described above with reference to Table 2.
  • the present disclosure below describes various embodiments for the configuration and signaling of beam sets.
  • beam set A is configured with beams of beam IDs 33 to 48
  • beam set B is configured with some of the beams of beam set A.
  • beam set B is a subset of beam set A.
  • this can be understood as beam management based on a method of using measurements and/or information for a small number of beams as inputs to AI/ML to predict characteristics for surrounding beams that may be correlated with the beams (e.g., beams used as inputs).
  • there may be a case in which beam set A beams are predicted by measuring one beam and there may be a case in which beam sets A and beam sets B are the same.
  • the terminal can notify the base station of its capability for AI/ML or its capability for AI/ML-based beam management.
  • the base station can request a capability report from the terminal. If the base station decides to perform UE-side AI/ML-based beam management, the base station can provide the terminal with information on beams of beam set A.
  • the information provided to the terminal can be used in performing operations for UE-side AI/ML-based beam management, and can include at least one of the number of beams of beam set A, the azimuth size or beam width of each beam, and the elevation size of each beam.

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

본 개시는 무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 것으로, 단말의 동작 방법은, AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것, 상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 수신하는 것, 상기 적어도 하나의 기준 신호에 기반하여 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 예측하는 것, 상기 적어도 하나의 빔에 대한 정보를 기지국에게 송신하는 것을 포함할 수 있다. 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측될 수 있다.

Description

무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치
본 개시는 무선 통신 시스템에서 빔 관리에 관한 것으로, 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치에 관한 것이다.
기존 통신 네트워크(예를 들어, LTE(long term evolution), LTE-A(advanced) 등)보다 향상된 통신 서비스를 제공하기 위한 통신 네트워크(예를 들어, 5G 통신 네트워크, 6G 통신 네트워크 등)는 개발되고 있다. 5G 통신 네트워크(예를 들어, NR(new radio) 통신 네트워크)는 6GHz 이하의 주파수 대역뿐만 아니라 6GHz 이상의 주파수 대역을 지원할 수 있다. 즉, 5G 통신 네트워크는 FR1 대역 및/또는 FR2 대역을 지원할 수 있다. 5G 통신 네트워크는 LTE 통신 네트워크에 비해 다양한 통신 서비스 및 시나리오를 지원할 수 있다. 예를 들어, 5G 통신 네트워크의 사용 시나리오(usage scenario)는 eMBB(enhanced Mobile BroadBand), URLLC(Ultra Reliable Low Latency Communication), mMTC(massive Machine Type Communication) 등을 포함할 수 있다.
6G 통신 네트워크는 5G 통신 네트워크에 비해 다양한 통신 서비스 및 시나리오를 지원할 수 있다. 6G 통신 네트워크는 초성능, 초대역, 초공간, 초정밀, 초지능, 및/또는 초신뢰의 요구사항들을 만족할 수 있다. 6G 통신 네트워크는 다양하고 넓은 주파수 대역을 지원할 수 있고, 다양한 사용 시나리오들(예를 들어, 지상(terrestrial) 통신, 비-지상(non-terrestrial) 통신, 사이드링크(sidelink) 통신 등)에 적용될 수 있다.
통신 분야에서 인공지능의 사용이 점점 확대되고 있다. 인공지능은 네트워크 운영 모니터링, 예측적 유지보수, 네트워크 보안 및 사기 방지, 고객 서비스, 그리고 지능형 고객 관계 관리 시스템(CRM) 등 다양한 영역에서 활용될 수 있다.
또한 인공 지능은 단말 및 기지국 사이의 시그널링의 복잡도를 줄이거나, 정확도를 향상시키기 위해서 사용될 수 있다. 이를 위해, 채널 측정, 빔 관리, 측위 등을 위한 시그널링의 일부 또는 전부를 인공지능 모델을 활용하여 대체하거나, 성능을 향상시키는 방법이 연구되고 있다.
한편, 발명의 배경이 되는 기술은 발명의 배경에 대한 이해를 증진하기 위하여 작성된 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래 기술이 아닌 내용을 포함할 수 있다.
상기와 같은 문제점을 해결하기 위한 본 개시의 목적은 빔 관리를 위한 빔 세트에 대한 정보를 효과적으로 시그널링하기 위한 방법 및 장치를 제공하는 데 있다.
본 개시의 목적은 AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 효과적으로 수행하기 위한 방법 및 장치를 제공하는 데 있다.
본 개시의 목적은 추론의 대상이 되는 빔들의 제1 세트 및 추론에 이용되는 빔들의 제2 세트를 구성하기(configure) 위한 방법 및 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 개시의 일 실시예에 따르면, 무선 통신 시스템에서 단말의 동작 방법은, AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것, 상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 수신하는 것, 상기 적어도 하나의 기준 신호에 기반하여 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 예측하는 것, 상기 적어도 하나의 빔에 대한 정보를 기지국에게 송신하는 것을 포함할 수 있다. 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측될 수 있다.
상기 목적을 달성하기 위한 본 개시의 일 실시예에 따르면, 무선 통신 시스템에서 기지국의 동작 방법은, AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것, 상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 송신하는 것, 상기 적어도 하나의 기준 신호에 기반하여 예측된, 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 수신하는 것을 포함할 수 있다. 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측될 수 있다.
상기 목적을 달성하기 위한 본 개시의 일 실시예에 따르면, 무선 통신 시스템에서 단말은, 적어도 하나의 송수신기, 적어도 하나의 프로세서, 및 상기 적어도 하나의 프로세서에 동작 가능하도록 연결되고, 상기 프로세서에 의해 실행될 경우 상기 단말이 동작들을 수행하도록 제어하는 명령들(instructions)을 저장하는 적어도 하나의 메모리를 포함하고, 상기 동작들은, AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것, 상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 수신하는 것, 상기 적어도 하나의 기준 신호에 기반하여 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 예측하는 것, 상기 적어도 하나의 빔에 대한 정보를 기지국에게 송신하는 것을 포함할 수 있다. 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측될 수 있다.
상기 목적을 달성하기 위한 본 개시의 일 실시예에 따르면, 무선 통신 시스템에서 기지국은, 적어도 하나의 송수신기, 적어도 하나의 프로세서, 및 상기 적어도 하나의 프로세서에 동작 가능하도록 연결되고, 상기 프로세서에 의해 실행될 경우 상기 단말이 동작들을 수행하도록 제어하는 명령들(instructions)을 저장하는 적어도 하나의 메모리를 포함하고, 상기 동작들은, AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것, 상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 송신하는 것, 상기 적어도 하나의 기준 신호에 기반하여 예측된, 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 수신하는 것을 포함할 수 있다. 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측될 수 있다.
제안 기술은 효과적인 빔 관리를 위한 방안을 제안한다.
도 1은 본 개시에 실시예에 따른 무선통신 시스템을 도시한다.
도 2는 본 개시의 실시예에 따른 통신 노드의 블록도를 도시한다.
도 3a는 본 개시의 실시예에 따른 통신 노드의 송신 경로의 블록도를 도시한다.
도 3b는 본 개시의 실시예에 따른 통신 노드의 수신 경로의 블록도를 도시한다.
도 4는 본 개시의 실시예에 따른 AI/ML(artificial intelligence/machine learning) 모델을 추론 또는 학습하는 장치를 도시한다.
도 5는 본 개시의 실시예에 따른 신경망의 구조를 도시한다.
도 6은 본 개시의 실시예에 따른 AI/ML 프레임워크를 도시한다.
도 7은 본 개시의 실시예에 따른 AI/ML 기반의 빔 관리를 위한 절차를 도시한다.
도 8a 내지 도 8c는 본 개시의 실시예에 따른 빔 세트들의 구성 예들을 도시한다.
도 9는 본 개시의 실시예에 따른 기지국의 빔들을 2차원으로 표현한 예를 도시한다.
도 10a 및 도 10b는 본 개시의 실시예에 따른 빔 세트 B의 패턴의 예들을 도시한다.
본 개시는 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 개시를 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 및 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 개시의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 의미할 수 있다.
본 개시에서, "A 및 B 중에서 적어도 하나"는 "A 또는 B 중에서 적어도 하나" 또는 "A 및 B 중 하나 이상의 조합들 중에서 적어도 하나"를 의미할 수 있다. 또한, 본 개시에서, "A 및 B 중에서 하나 이상"은 "A 또는 B 중에서 하나 이상" 또는 "A 및 B 중 하나 이상의 조합들 중에서 하나 이상"을 의미할 수 있다.
본 개시에서, (재)전송은 "전송", "재전송", 또는 "전송 및 재전송"을 의미할 수 있고, (재)설정은 "설정", "재설정", 또는 "설정 및 재설정"을 의미할 수 있고, (재)연결은 "연결", "재연결", 또는 "연결 및 재연결"을 의미할 수 있고, (재)접속은 "접속", "재접속", 또는 "접속 및 재접속"을 의미할 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 개시에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 개시를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 개시에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 개시에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 개시의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 개시를 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다. 본 개시에서 명시적으로 설명되는 실시예들 뿐만 아니라, 실시예들의 조합, 실시예들의 확장, 및/또는 실시예들의 변형에 따른 동작들은 수행될 수 있다. 일부 동작의 수행은 생략될 수 있고, 동작의 수행 순서는 변경될 수 있다.
실시예에서 통신 노드들 중에서 제1 통신 노드에서 수행되는 방법(예를 들어, 신호의 전송 또는 수신)이 설명되는 경우에도 이에 대응하는 제2 통신 노드는 제1 통신 노드에서 수행되는 방법과 상응하는 방법(예를 들어, 신호의 수신 또는 전송)을 수행할 수 있다. 즉, UE(user equipment)의 동작이 설명된 경우에 이에 대응하는 기지국은 UE의 동작과 상응하는 동작을 수행할 수 있다. 반대로, 기지국의 동작이 설명된 경우에 이에 대응하는 UE는 기지국의 동작과 상응하는 동작을 수행할 수 있다.
기지국은 노드B(NodeB), 고도화 노드B(evolved NodeB), gNodeB(next generation node B), gNB, 디바이스(device), 장치(apparatus), 노드, 통신 노드, BTS(base transceiver station), RRH(radio remote head), TRP(transmission reception point), RU(radio unit), RSU(road side unit), 무선 트랜시버(radio transceiver), 액세스 포인트(access point), 액세스 노드(node) 등으로 지칭될 수 있다. UE는 단말(terminal), 디바이스, 장치, 노드, 통신 노드, 엔드(end) 노드, 액세스 터미널(access terminal), 모바일 터미널(mobile terminal), 스테이션(station), 가입자 스테이션(subscriber station), 모바일 스테이션(mobile station), 휴대 가입자 스테이션(portable subscriber station), OBU(on-broad unit) 등으로 지칭될 수 있다.
본 개시에서 시그널링(signaling)은 상위계층 시그널링, MAC 시그널링, 또는 PHY(physical) 시그널링 중에서 적어도 하나일 수 있다. 상위계층 시그널링을 위해 사용되는 메시지는 "상위계층 메시지" 또는 "상위계층 시그널링 메시지"로 지칭될 수 있다. MAC 시그널링을 위해 사용되는 메시지는 "MAC 메시지" 또는 "MAC 시그널링 메시지"로 지칭될 수 있다. PHY 시그널링을 위해 사용되는 메시지는 "PHY 메시지" 또는 "PHY 시그널링 메시지"로 지칭될 수 있다. 상위계층 시그널링은 시스템 정보(예를 들어, MIB(master information block), SIB(system information block)) 및/또는 RRC 메시지의 송수신 동작을 의미할 수 있다. MAC 시그널링은 MAC CE(control element)의 송수신 동작을 의미할 수 있다. PHY 시그널링은 제어 정보(예를 들어, DCI(downlink control information), UCI(uplink control information), SCI(sidelink control information))의 송수신 동작을 의미할 수 있다.
본 개시에서 "동작(예를 들어, 전송 동작)이 설정되는 것"은 "해당 동작을 위한 설정 정보(예를 들어, 정보 요소(information element), 파라미터)" 및/또는 "해당 동작의 수행을 지시하는 정보"가 시그널링 되는 것을 의미할 수 있다. "정보 요소(예를 들어, 파라미터)가 설정되는 것"은 해당 정보 요소가 시그널링 되는 것을 의미할 수 있다. 본 개시에서 "신호 및/또는 채널"은 신호, 채널, 또는 "신호 및 채널"을 의미할 수 있고, 신호는 "신호 및/또는 채널"의 의미로 사용될 수 있다.
실시예가 적용되는 통신 네트워크는 아래 설명된 내용에 한정되지 않으며, 실시예는 다양한 통신 네트워크(예를 들어, 4G 통신 네트워크, 5G 통신 네트워크, 및/또는 6G 통신 네트워크)에 적용될 수 있다. 여기서, 통신 네트워크는 통신 시스템과 동일한 의미로 사용될 수 있다.
도 1은 통신 시스템의 실시예를 도시한 개념도이다.
도 1을 참조하면, 통신 시스템(100)은 복수의 통신 노드들(110-1, 110-2, 110-3, 120-1, 120-2, 130-1, 130-2, 130-3, 130-4, 130-5, 130-6)을 포함할 수 있다. 또한, 통신 시스템(100)은 코어 네트워크(core network)(예를 들어, S-GW(serving-gateway), P-GW(PDN(packet data network)-gateway), MME(mobility management entity))를 더 포함할 수 있다. 통신 시스템(100)이 5G 통신 시스템(예를 들어, NR(new radio) 시스템)인 경우, 코어 네트워크는 AMF(access and mobility management function), UPF(user plane function), SMF(session management function) 등을 포함할 수 있다.
복수의 통신 노드들(110 내지 130)은 3GPP(3rd generation partnership project) 표준에서 규정된 통신 프로토콜(예를 들어, LTE 통신 프로토콜, LTE-A 통신 프로토콜, NR 통신 프로토콜 등)을 지원할 수 있다. 복수의 통신 노드들(110 내지 130)은 CDMA(code division multiple access) 기술, WCDMA(wideband CDMA) 기술, TDMA(time division multiple access) 기술, FDMA(frequency division multiple access) 기술, OFDM(orthogonal frequency division multiplexing) 기술, Filtered OFDM 기술, CP(cyclic prefix)-OFDM 기술, DFT-s-OFDM(discrete Fourier transform-spread-OFDM) 기술, OFDMA(orthogonal frequency division multiple access) 기술, SC(single carrier)-FDMA 기술, NOMA(Non-orthogonal Multiple Access) 기술, GFDM(generalized frequency division multiplexing) 기술, FBMC(filter bank multi-carrier) 기술, UFMC(universal filtered multi-carrier) 기술, SDMA(Space Division Multiple Access) 기술 등을 지원할 수 있다. 복수의 통신 노드들 각각은 다음과 같은 구조를 가질 수 있다.
도 2는 통신 시스템을 구성하는 통신 노드의 실시예를 도시한 블록도이다.
도 2는 본 개시의 일 실시예에 따른 무선 통신 시스템에서 무선 장치(200)의 예를 도시한다. 본 개시의 실시 예에 따른 무선 장치(200)는 스마트폰, 태블릿 PC, 웨어러블 디바이스 등의 이동형 단말기일 수 있으나, 이에 한정되는 것은 아닐 수 있다.
도 2을 참고하면, 무선 장치(200)는 적어도 하나의 제어부(210), 적어도 하나의 메모리(220), 적어도 하나의 전원부(230), 적어도 하나의 송수신부(240), 적어도 하나의 입력부(250), 적어도 하나의 출력부(260) 및/또는 적어도 하나의 안테나(270)를 포함할 수 있다.
제어부(210)는 메모리(220) 및/또는 송수신부(240)를 제어할 수 있으며, 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 구현하도록 구성될 수 있다. 메모리(220)는 제어부(210)와 연결될 수 있고, 제어부(210)의 동작과 관련한 다양한 정보를 저장할 수 있다. 예를 들어, 메모리(220)는 제어부(210)에 의해 제어되는 제어들 중 일부 또는 전부를 수행하거나, 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들을 수행하기 위한 명령들을 포함하는 소프트웨어 코드를 저장할 수 있다. 메모리를 구성은 특정한 방식으로 제한되지 않는다. 일 예로, 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
적어도 하나의 제어부(210)는 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 또는 마이크로 컴퓨터로 지칭될 수 있다. 본 개시에 개시된 설명, 기능, 절차, 제안, 방법 및/또는 동작 순서도들은 코드, 명령어 및/또는 명령어의 집합 형태로 펌웨어 또는 소프트웨어를 사용하여 구현될 수 있다. 여기서 펌웨어 또는 소프트웨어는 OS와 같은 메모리(220)에 저장된 다른 프로그램을 실행할 수 있다. 제어부(210)은 적어도 하나의 안테나(270)로부터의 나가는 신호가 원하는 방향으로 나가는 신호를 효과적으로 조종하도록 상이하게 가중되는 빔포밍 또는 방향성 라우팅 동작(directional routing operation)을 지원하도록 구현될 수 있다.
또한, 적어도 하나의 제어부(210)은 백홀 또는 네트워크 인터페이스와 결합될 수 있다. 무선 장치(200)는 백홀 또는 네트워크 인터페이스는 다른 무선 기기와 통신을 수행할 수 있다. 제어부(210)은 적어도 하나의 프로세서를 포함할 수 있다. 프로세서는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 개시의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
적어도 하나의 송수신부(240)는 제어부(210)와 연결될 수 있고, 적어도 하나의 안테나(270)를 통해 무선 신호를 송신 및/또는 수신할 수 있다. 송수신부(240)는 송신기 및/또는 수신기를 포함할 수 있다. 적어도 하나의 송수신부(240)는 적어도 하나의 다른 장치에게 본 개시의 방법들 및/또는 동작 순서도 등에서 언급되는 사용자 데이터, 제어 정보, 무선 신호/채널 등을 전송할 수 있다. 예를 들어, 적어도 하나의 송수신부(240)는 적어도 하나의 제어부(210)와 연결될 수 있고, 무선 신호를 송수신할 수 있다. 또한, 적어도 하나의 제어부(210)는 적어도 하나의 송수신부(240)가 적어도 하나의 다른 장치에게 사용자 데이터, 제어 정보 또는 무선 신호를 전송하도록 제어할 수 있다. 적어도 하나의 송신부(240)은 적어도 하나의 안테나(270)로부터, 다른 무선 기기가 송신한 신호를 수신할 수 있다. 또한 적어도 하나의 송수신부(240)는 기저 대역 신호를 생성하도록 수신한 신호를 하향 변환 또는 상향 변환시킬 수 있다. 적어도 하나의 안테나(270)는 복수의 물리 안테나이거나, 복수의 논리 안테나 (예: 안테나 포트)일 수 있다.
입력부(250)는 사용자 입력, 영상, 오디오 등의 정보를 획득할 수 있고, 각종 기계식/전자식 입력 수단, 카메라, 마이크로폰 등의 다양한 입력 수단을 포함할 수 있다. 출력부(260)는 시각, 청각, 또는 촉각 등과 관련된 출력을 발생시켜 사용자 등에게 정보를 제공하기 위한 것으로서, 디스플레이, 스피커, 진 동 모듈 등을 포함할 수 있다. 무선 장치(200)는 전원부(230)를 통해 전원을 공급하며, 전원부(230)는 유/무선 충전 회로, 배터리 등을 포함할 수 있다.
다시 도 1을 참조하면, 통신 시스템(100)은 복수의 기지국들(base stations)(110-1, 110-2, 110-3, 120-1, 120-2), 복수의 단말들(130-1, 130-2, 130-3, 130-4, 130-5, 130-6)을 포함할 수 있다. 제1 기지국(110-1), 제2 기지국(110-2) 및 제3 기지국(110-3) 각각은 매크로 셀(macro cell)을 형성할 수 있다. 제4 기지국(120-1) 및 제5 기지국(120-2) 각각은 스몰 셀(small cell)을 형성할 수 있다. 제1 기지국(110-1)의 셀 커버리지(cell coverage) 내에 제4 기지국(120-1), 제3 단말(130-3) 및 제4 단말(130-4)이 속할 수 있다. 제2 기지국(110-2)의 셀 커버리지 내에 제2 단말(130-2), 제4 단말(130-4) 및 제5 단말(130-5)이 속할 수 있다. 제3 기지국(110-3)의 셀 커버리지 내에 제5 기지국(120-2), 제4 단말(130-4), 제5 단말(130-5) 및 제6 단말(130-6)이 속할 수 있다. 제4 기지국(120-1)의 셀 커버리지 내에 제1 단말(130-1)이 속할 수 있다. 제5 기지국(120-2)의 셀 커버리지 내에 제6 단말(130-6)이 속할 수 있다.
여기서, 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 NB(NodeB), eNB(evolved NodeB), gNB, ABS(advanced base station), HR-BS(high reliability-base station), BTS(base transceiver station), 무선 기지국(radio base station), 무선 트랜시버(radio transceiver), 액세스 포인트(access point), 액세스 노드(node), RAS(radio access station), MMR-BS(mobile multihop relay-base station), RS(relay station), ARS(advanced relay station), HR-RS(high reliability-relay station), HNB(home NodeB), HeNB(home eNodeB), RSU(road side unit), RRH(radio remote head), TP(transmission point), TRP(transmission and reception point) 등으로 지칭될 수 있다.
복수의 단말들(130-1, 130-2, 130-3, 130-4, 130-5, 130-6) 각각은 UE(user equipment), TE(terminal equipment), AMS(advanced mobile station), HR-MS(high reliability-mobile station), 터미널(terminal), 액세스 터미널(access terminal), 모바일 터미널(mobile terminal), 스테이션(station), 가입자 스테이션(subscriber station), 모바일 스테이션(mobile station), 휴대 가입자 스테이션(portable subscriber station), 노드(node), 다바이스(device), OBU(on board unit) 등으로 지칭될 수 있다.
한편, 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 서로 다른 주파수 대역에서 동작할 수 있고, 또는 동일한 주파수 대역에서 동작할 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 아이디얼 백홀 링크(ideal backhaul link) 또는 논(non)-아이디얼 백홀 링크를 통해 서로 연결될 수 있고, 아이디얼 백홀 링크 또는 논-아이디얼 백홀 링크를 통해 서로 정보를 교환할 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 아이디얼 백홀 링크 또는 논-아이디얼 백홀 링크를 통해 코어 네트워크와 연결될 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 코어 네트워크로부터 수신한 신호를 해당 단말(130-1, 130-2, 130-3, 130-4, 130-5, 130-6)에 전송할 수 있고, 해당 단말(130-1, 130-2, 130-3, 130-4, 130-5, 130-6)로부터 수신한 신호를 코어 네트워크에 전송할 수 있다.
또한, 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 MIMO 전송(예를 들어, SU(single user)-MIMO, MU(multi user)-MIMO, 대규모(massive) MIMO 등), CoMP(coordinated multipoint) 전송, 캐리어 집성(carrier aggregation, CA) 전송, 비면허 대역(unlicensed band)에서 전송, 사이드링크(sidelink) 통신(예를 들어, D2D(device to device communication), ProSe(proximity services)), IoT(Internet of Things) 통신, 이중 연결성(dual connectivity, DC) 등을 지원할 수 있다. 여기서, 복수의 단말들(130-1, 130-2, 130-3, 130-4, 130-5, 130-6) 각각은 기지국(110-1, 110-2, 110-3, 120-1, 120-2)과 대응하는 동작, 기지국(110-1, 110-2, 110-3, 120-1, 120-2)에 의해 지원되는 동작을 수행할 수 있다. 예를 들어, 제2 기지국(110-2)은 SU-MIMO 방식을 기반으로 신호를 제4 단말(130-4)에 전송할 수 있고, 제4 단말(130-4)은 SU-MIMO 방식에 의해 제2 기지국(110-2)으로부터 신호를 수신할 수 있다. 또는, 제2 기지국(110-2)은 MU-MIMO 방식을 기반으로 신호를 제4 단말(130-4) 및 제5 단말(130-5)에 전송할 수 있고, 제4 단말(130-4) 및 제5 단말(130-5) 각각은 MU-MIMO 방식에 의해 제2 기지국(110-2)으로부터 신호를 수신할 수 있다.
제1 기지국(110-1), 제2 기지국(110-2) 및 제3 기지국(110-3) 각각은 CoMP 방식을 기반으로 신호를 제4 단말(130-4)에 전송할 수 있고, 제4 단말(130-4)은 CoMP 방식에 의해 제1 기지국(110-1), 제2 기지국(110-2) 및 제3 기지국(110-3)으로부터 신호를 수신할 수 있다. 복수의 기지국들(110-1, 110-2, 110-3, 120-1, 120-2) 각각은 자신의 셀 커버리지 내에 속한 단말(130-1, 130-2, 130-3, 130-4, 130-5, 130-6)과 CA 방식을 기반으로 신호를 송수신할 수 있다. 제1 기지국(110-1), 제2 기지국(110-2) 및 제3 기지국(110-3) 각각은 제4 단말(130-4)과 제5 단말(130-5) 간의 사이드링크 통신을 제어할 수 있고, 제4 단말(130-4) 및 제5 단말(130-5) 각각은 제2 기지국(110-2) 및 제3 기지국(110-3) 각각의 제어에 의해 사이드링크 통신을 수행할 수 있다.
도 3은 본 개시의 일 실시예에 따른 AI/ML(artificial intelligence/machine learning) 모델을 추론 또는 학습하는 장치를 도시한다.
도 3의 AI/ML 모델을 추론 또는 학습하는 장치는 도 2 장치의 무선 장치(200)의 일 실시예에 일 수 있다. 따라서 도 3의 통신부, 제어부, 저장부 각각은 도 2의 송수신부(240), 제어부(210), 저장부(220)에 대응할 수 있다. 하기에서는 설명의 편의를 위해 AI/ML 모델을 추론 또는 학습하는 장치를 서버로 가정하고 설명하기로 한다. 또한 서버가 무선 통신으로 외부와 연결되는 경우, 통신부는 도 2의 안테나(270)을 포함할 수 있다. 제어부는 AL/ML데이터 학습 또는 추론을 수행할 수 있다. 인공 지능 모델은 다양한 형태로 구현될 수 있다. 일 예로 인공 지능 모델은 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 신경망 모델은 DNN(deep neural network), RNN(recurrent neural network), BRDNN(bidirectional recurrent deep neural network) 등의 모델이 사용될 수 있다.
통신부는 외부 기기와 통신을 수행할 수 있으며, 서버는 통신부를 통해 다양한 정보를 수신할 수 있다. 따라서 통신부는 AI/ML 모델을 학습하기 위한 모니터링 정보, 사용자 입력 정보 등을 수신하여 제어부로 전달할 수 있다. 이를 위해 통신부는 외부 기기와 유선 또는 무선 통신을 수행할 수 있다. 서버는 외부 기기인 인공 위성, 모바일 기기, 자율 주행 자동차 등과 통신부를 통해 신호를 송수신할 수 있다. 무선 통신은 셀룰러 통신, 근거리 무선 통신, 또는 GNSS(global navigation satellite system) 통신을 포함할 수 있다.
저장부는 학습 모델, 입력 데이터, 출력 데이터 등을 저장할 수 있다. 따라서 저장부는 제어부에 의해서 학습된 인공 지능 모델 또는 갱신된 인공 지능을 저장할 수 있으며, 제어부의 명령에 따라 필요한 경우 데이터를 제공해 줄 수 있다.
제어부는 AL/ML 관리부, 모델 학습부, 모델 추론부를 포함할 수 있다. AL/ML 관리부는 통신부, 모델 추론부 및 모델 학습부가 추론 작업 또는 학습 작업이 효율적으로 이루어질 수 있도록 관리할 수 있다. 예를 들어 관리부는 통신부로 모니터링 정보를 수신하고 모델 추론부로부터 출력된 출력을 수신한 뒤 추론에 대한 성능을 확인할 수 있다. 관리부는 확인한 성능을 모델 학습부로 전달하고, 모델 학습부가 해당 성능을 토대로 AI/ML 모델을 학습할 수 있도록 지시할 수 있다. 즉 관리부는 성능 피드백 정보를 모델 추론부에 전달할 수 있으며, 모델 추론 부는 성능 피드백 정보를 이용하여 학습의 목표를 지시하거나, 강화학습의 보상 등으로 활용될 수 있다. 또한 제어부는 서버 또는 외부기기가 사용할 AI/ML 모델을 지시하거나 AI/ML 모델 사용의 활성화/비활성화를 지시할 수 있다. 도 3는 설명의 편의를 위해, 서버는 모델 학습부 및 모델 추론부를 모두 포함하는 것으로 도시하였으나, 서버의 용도에 따라 모델 학습부 또는 모델 추론부 중 어느 하나만 포함할 수 있다. 또한 전술한 도 3의 구조는 서버뿐만 아니라 추론 또는 학습이 일어나는 단말, 무선 기기, 자율 주행 차량, 모바일 기기 등 다른 기기에도 적용될 수 있다.
도 4a는 송신 경로의 실시예를 도시한 블록도이고, 도 4b는 수신 경로의 실시예를 도시한 블록도이다.
도 4a 및 도 4b를 참조하면, 송신 경로(410)는 신호를 전송하는 통신 노드에서 구현될 수 있고, 수신 경로(420)는 신호를 수신하는 통신 노드에서 구현될 수 있다. 송신 경로(410)는 채널 코딩 및 변조 블록(411), S-to-P(serial-to-parallel) 블록(512), N IFFT(Inverse Fast Fourier Transform) 블록(413), P-to-S(parallel-to-serial) 블록(414), 및 CP(cyclic prefix) 추가 블록(415), 및 UC(up-converter)(UC)(416)를 포함할 수 있다. 수신 경로(420)는 DC(down-converter)(421), CP 제거 블록(422), S-to-P 블록(423), N FFT 블록(424), P-to-S 블록(425), 및 채널 디코딩 및 복조 블록(426)을 포함할 수 있다. 여기서, N은 자연수일 수 있다.
송신 경로(410)에서 정보 비트들은 채널 코딩 및 변조 블록(411)에 입력될 수 있다. 채널 코딩 및 변조 블록(411)은 정보 비트들에 대한 코딩 동작(예를 들어, LDPC(low-density parity check)(LDPC) 코딩 동작, 폴라(polar) 코딩 동작 등) 및 변조 동작(예를 들어, QPSK(Quadrature Phase Shift Keying), QAM(Quadrature Amplitude Modulation) 등)을 수행할 수 있다. 채널 코딩 및 변조 블록(411)의 출력은 변조 심볼들의 시퀀스일 수 있다.
S-to-P 블록(412)은 N개의 병렬 심볼 스트림들을 생성하기 위하여 주파수 도메인의 변조 심볼들을 병렬 심볼 스트림들로 변환할 수 있다. N은 IFFT 크기 또는 FFT 크기일 수 있다. N IFFT 블록(413)은 N개의 병렬 심볼 스트림들에 대한 IFFT 동작을 수행하여 시간 도메인의 신호들을 생성할 수 있다. P-to-S 블록(414)은 직렬 신호를 생성하기 위하여 N IFFT 블록(413)의 출력(예를 들어, 병렬 신호들)을 직렬 신호로 변환할 수 있다.
CP 추가 블록(415)은 CP를 신호에 삽입할 수 있다. UC(416)는 CP 추가 블록(415)의 출력의 주파수를 RF(radio frequency) 주파수로 상향 변환할 수 있다. 또한, CP 추가 블록(415)의 출력은 상향 변환 전에 기저 대역에서 필터링 될 수 있다.
송신 경로(410)에서 전송된 신호는 수신 경로(420)에 입력될 수 있다. 수신 경로(420)에서 동작은 송신 경로(410)에서 동작의 역 동작일 수 있다. DC(421)는 수신된 신호의 주파수를 기저 대역의 주파수로 하향 변환할 수 있다. CP 제거 블록(422)은 신호에서 CP를 제거할 수 있다. CP 제거 블록(422)의 출력은 직렬 신호일 수 있다. S-to-P 블록(423)은 직렬 신호를 병렬 신호들로 변환할 수 있다. N FFT 블록(424)은 FFT 알고리즘을 수행하여 N개의 병렬 신호들을 생성할 수 있다. P-to-S 블록(425)은 병렬 신호들을 변조 심볼들의 시퀀스로 변환할 수 있다. 채널 디코딩 및 복조 블록(426)은 변조 심볼들에 대한 복조 동작을 수행할 수 있고, 복조 동작의 결과에 대한 디코딩 동작을 수행하여 데이터를 복원할 수 있다.
도 4a 및 도 4b에서 FFT 및 IFFT 대신에 DFT(Discrete Fourier Transform) 및 IDFT(Inverse DFT)는 사용될 수 있다. 도 4a 및 도 4b에서 블록들(예를 들어, 컴포넌트) 각각은 하드웨어, 소프트웨어, 또는 펌웨어 중에서 적어도 하나에 의해 구현될 수 있다. 예를 들어, 도 4a 및 도 4b에서 일부 블록들은 소프트웨어에 의해 구현될 수 있고, 나머지 블록들은 하드웨어 또는 "하드웨어와 소프트웨어의 조합"에 의해 구현될 수 있다. 도 4a 및 도 4b에서, 하나의 블록은 복수의 블록들로 세분화될 수 있고, 복수의 블록들은 하나의 블록으로 통합될 수 있고, 일부 블록은 생략될 수 있고, 다른 기능을 지원하는 블록은 추가될 수 있다.
도 5는 본 개시에 적용될 수 있는 신경망 구조의 예를 도시한다. 신경망에서 입력층(Input Layer)은 외부 데이터를 수신하는 첫 번째층이다. 입력층은 다양한 형태의 원시 데이터를 받아 피처링 후 전달될 수 있다. 여기서 피처링이란 원시 데이터의 특징적인 부분을 추출하는 것을 의미한다. 입력층의 뉴런 수는 주어진 데이터의 특성, 요구 사항 등을 기반으로 결정될 수 있다.
신경망에서 은닉층(hidden layers)은 입력층과 출력층 사이에 위치하는 하나 이상의 레이어 층들로 구성될 수 있다. 따라서 도 5와 달리 은닉층이 두 개 이상의 레이어들로 구성될 수 있다. 은닉층의 뉴런들은 입력 데이터의 변환된 형태를 나타낼 수 있으며, 히든 레이어의 깊이와 넓이는 AI/ML 모델의 복잡성을 결정할 수 있다. 히든 레이어를 이용하여 입력층과 출력층 사이의 비 선형성적 관계가 구현될 수 있다.
출력층(Output Layer)은 신경망의 마지막층으로, 최종 결과 값을 제공할 수 있다. 출력층의 최정 결과 값을 기반으로 신경망의 예측과 실제 타겟 값 사이의 오차가 계산될 수 있다.
따라서 입력층을 통해 입력된 데이터는 하나 이상의 레이어로 이루어진 은닉층을 거쳐서 출력층으로 전달될 수 있다. 이러한 과정에서 입력된 데이터의 특징이 추출될 수 있다. 신경망은 역전파(Backpropagation) 및 기울기 하강법(Gradient Descent)과 같은 알고리즘을 사용하여 학습될 수 있다. 학습은 출력층에서 계산된 오차를 기반으로 보상을 주는 방법으로 피드백될 수 있다. 이러한 피드백을 기반으로 각 계층의 가중치는 갱신될 수 있다. AI/ML 모델의 추론의 최적화를 위해 이러한 학습은 반복 수행될 수 있다.
본 개시에 사용될 AI와 관련된 용어는 하기와 같이 정의될 수 있다.
AI/ML 지원 기능(AI/ML-enabled Feature)은 AI/ML을 사용할 수 있는 특정 기능을 의미한다. 예를 들어 CSI 측정, 빔 관리, 측위 기능 등이 AI/ML 지원 기능에 해당될 수 있다.
AI/ML 모델(AI/ML Model)은 입력 집합에 기반하여 출력 집합을 생성하는 데 AI/ML 기술을 적용하는 알고리즘을 의미한다. 본 개시에서 AI/ML 모델은 알고리즘 그 자체가 아니라 AI/ML 모델을 특정하기 위한 파라미터 값들의 집합을 의미할 수 있다. 일 예로, AI/ML 모델은 신경망의 가중치들의 집합으로 표현될 수 있다.
AI/ML 모델 전달(AI/ML model delivery)은 한 엔티티에서 다른 엔티티로 AI/ML 모델을 전달하는 것을 의미한다. 여기서 엔티티는 네트워크 노드/기능(예: gNB, LMF 등), UE, 독립 서버 등을 의미할 수 있다. 따라서 제1 엔티티에서 학습한 AI/ML 모델을 제2 엔티티로 전달될 수 있다.
AI/ML 모델 추론(AI/ML model Inference)은 하나의 엔티티 내에서, 학습된 AI/ML 모델을 사용하여 입력 집합에 기반한 출력 집합을 생성하는 과정을 의미한다.
AI/ML 모델 테스팅(AI/ML model testing)은 AI/ML 모델 훈련과 검증에 사용된 데이터셋과 다른 데이터셋을 사용하여 최종 AI/ML 모델의 성능을 평가하는 과정으로 훈련의 하위 과정에 포함될 수 있다. AI/ML 모델 검증과 달리, 테스팅은 모델을 추가로 조정하는 것을 의미한다.
AI/ML 모델 훈련(AI/ML model training)은 데이터 기반 방식으로 AI/ML 모델을 훈련시켜 입력/출력 관계를 학습하고 추론에 사용할 수 있는 훈련된 AI/ML 모델을 얻는 과정을 의미한다.
AI/ML 모델 이전(AI/ML model transfer)은 AI/ML 모델이 송신 측에서 수신 측으로 전달하는 것을 의미한다. 무선 또는 유선으로 전달될 수 있으며, 수신 측에서 알려진 모델 구조의 매개변수나 새로운 모델과 관련된 매개변수가 포함되어 전달될 수 있다. 전달되는 매개 변수는 전체 모델 또는 일부 모델에 대한 매개변수가 포함될 수 있다.
AI/ML 모델 검증(AI/ML model validation)은 AI/ML 모델 훈련에 사용된 데이터셋과 다른 데이터셋을 사용하여 AI/ML 모델의 품질을 평가하는 훈련의 하위 과정이다. 모델 훈련에 사용된 데이터셋을 뿐만 아니라 일반화된 데이터셋을 위한 모델 매개변수를 결정하는데 사용될 수 있다.
데이터 수집(Data collection)은 네트워크 노드, 관리 엔티티 또는 UE가 AI/ML 모델 훈련, 데이터 분석 및 추론을 위해 데이터를 수집하는 것을 의미한다.
연합 학습 또는 연합 훈련(federated learning or federated training)은 여러 분산된 엣지 노드(예: UEs, gNBs)에서 각각 로컬 데이터를 이용하여 로컬 모델 훈련을 수행하여 AI/ML 모델을 훈련하는 머신 러닝 기술을 의미한다. 연합 학습은 엣지 AI/ML 모델과 관련한 노드들 사이 간의 여러 상호작용이 필요될 수 있다. 이때 로컬 데이터의 교환은 필수적이지 않다.
기능성 식별(Functionality identification)은 네트워크와 UE사이에 공통으로 인식할 수 있도록 AI/ML 기능성을 식별하는 과정을 의미한다. AI/ML 기능성에 대한 정보는 기능성 식별 과정 중에 공유될 수 있다.
관리 지시(Management instruction)는 적절한 추론 작업을 보장하기 위해 필요한 정보를 의미한다. 관리 지시는 AI/ML 모델 또는 AI/ML 기능의 선택/(비)활성화/전환, AI/ML 작업뿐만 아니라 다른 대체 작업 등이 포함될 수 있습니다.
모델 활성화(Model activation)는 특정 AI/ML 지원 기능에 대한 AI/ML 모델을 활성화하는 것을 의미하고, 모델 비활성화(Model deactivation)는 특정 AI/ML 지원 기능에 대한 AI/ML 모델을 비활성화 하는 것을 의미한다.
모델 다운로드(Model download)는 네트워크에서 UE로 AI/ML 모델을 전송하고, UE가 AI/ML 모델을 수신하는 것을 의미한다. 모델 식별(Model identification)은 네트워크와 UE 사이의 공통으로 인지하고 있는 기능성 식별을 기반으로 AI/ML 모델을 식별하는 것을 의미한다. 모델 식별 중에 AI/ML 모델에 관한 정보가 공유될 수 있다. 모델 업로드(Model upload)는 UE에서 네트워크로 모델을 전송하는 것을 의미한다.
모델 모니터링(Model monitoring)은 AI/ML 모델의 추론 성능을 모니터링하는 절차를 의미하고, 모델 매개변수 갱신(Model parameter update)는 모델의 매개변수를 갱신하는 과정을 의미한다.
모델 선택(Model selection)은 하나의 AI/ML 지원 기능에 대한 여러 모델 중 하나를 활성화하기 위해 선택하는 것을 의미한다. 모델 선택은 모델 활성화와 동시에 이루어질 수 있다. 모델 전환(Model switching)은 특정 AI/ML 활성화 기능에 대해 현재 활성화된 AI/ML 모델을 비활성화하고 다른 AI/ML 모델을 활성화하는 것을 의미한다. 모델 업데이트(Model update)는 모델의 매개변수 및/또는 모델 구조를 업데이트하는 과정을 의미한다.
추론의 위치에 따라 AI/ML 모델을 분류할 수 있다. 네트워크 측면 AI/ML 모델(Network-side AI/ML model)는 추론이 전체적으로 네트워크에서 수행되는 AI/ML 모델을 의미한다. 양면 AI/ML 모델(Two-sided AI/ML model)은 UE와 네트워크에서 공동으로 추론이 수행되는 한 쌍의 AI/ML 모델을 의미한다. 공동 추론은 UE에서 먼저 일부 추론을 수행한 다음 gNB에서 나머지 부분을 수행하는 것을 의미한다. UE 측 AI/ML 모델(UE-side AI/ML model)은 추론이 전적으로 UE에서 수행되는 AI/ML 모델을 의미한다.
AI/ML의 학습과 관련해서 하기와 같은 학습 방법이 이용될 수 있다. 강화 학습(Reinforcement Learning, RL)은 모델이 상호작용하는 환경에서 모델의 출력(예: 행동)으로 인해 발생하는 피드백 신호(예: 보상)와 입력(즉, 상태)을 기반으로 AI/ML 모델을 훈련시키는 과정을 의미한다. 준지도 학습(Semi-supervised learning)은 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 혼합하여 모델을 훈련시키는 과정을 의미한다. 지도 학습(Supervised learning)은 입력과 해당 레이블로부터 모델을 훈련시키는 과정을 의미한다. 비 지도 학습은 레이블이 지정되지 않은 데이터를 이용하여 모델을 훈련시키는 과정을 의미한다.
하기에서는 단말과 기지국 사이에 초기 접속 절차에 대해서 서술하기로 한다. 단말의 전원의 온/오프(on/off) 동작, 커버리지 이탈 등의 이유로 기지국과 초기 접속 절차가 수행되는 경우, 기지국과 단말 사이의 식별 절차가 필요될 수 있다. 먼저, 단말은 기지국과 초기 셀 탐색 작업을 수행할 수 있다. 단말은 동기 신호를 수신하기 위해 모니터링을 수행할 수 있다. 동기 신호는 동기 신호는 PSS(primary synchronization signal), SSS(secondary synchronization signal) 등 중 적어도 하나일 수 있다. 단말은 기지국으로부터 물리 방송 채널(physical broadcast channel, PBCH) 신호를 수신하여 셀 내 방송 정보를 획득할 수 있다. 단말은 물리 방송 채널을 기반으로 MIB 또는 SIB 중 적어도 하나를 이용해서 셀에 대한 정보를 획득할 수 있다. PSS, SSS, PBCH를 모두 포함하는 블록을 SSB(synchronization signal block)로 지칭될 수 있다.
단말은 랜덤 액세스 절차(random access procedure)를 수행할 수 있다. 단말은 기지국에게 프리앰블(preamble)을 전송하고, 기지국으로부터 RAR(random access response)을 수신할 수 있다. RAR 메시지는 임시 식별자가 포함될 수 있다. 단말은 RAR 내의 스케줄링 정보를 이용하여 MSG3(또는 RRC 연결 요청 메시지)를 전송하고, 기지국은 MSG3에 대응하여 MSG4(또는 경쟁 해결 메시지)를 단말에게 전송하여 경쟁 해결 절차를 수행할 수 있다.
기지국은 랜덤 액세스 절차에서 사용되는 프리앰블 전송에 사용되는 RACH 오케이션(occasion)을 기반으로 빔 관리를 수행할 수 있다. 일 예로, 기지국은 프리앰블이 전송된 RACH 오케이션을 기반으로 단말이 동기 신호를 수신한 빔을 알 수 있다. QCL 관계를 지시하기 위한 기준 신호로 동기 신호도 포함될 수 있으며, 초기 접속 절차를 통해 수신된 SSB를 기준으로 QCL 관계 설정될 수 있다.
또한 빔 관리를 위해 채널 측정 절차가 수행될 수 있다. 단말은 기지국으로부터 기준 신호를 수신할 수 있다. 단말은 이를 기반으로 기지국에게 채널 상태 정보(channel state information, CSI)를 보고할 수 있다. 채널 상태 정보는 기준 신호 수신 전력(reference signal received power, RSRP), 기준 신호 수신 품질(reference signal received quality, RSRQ), 신호 대 잡음비(Signal-to-Noise Ratio, SNR) 등 중 적어도 하나를 포함할 수 있다. 기지국은 수신한 채널 상태 정보를 기반으로 단말에 대한 빔 포밍을 조절하거나, 무선 자원 할당(radio resource allocation)을 최적화하는 데 사용할 수 있다. 채널 측정을 위해 기지국은 채널 측정을 위한 설정 정보를 단말에게 전송할 수 있다. 채널 측정을 위한 설정 정보는 측정 대상과 관련된 정보, 측정 주기 등에 관한 정보를 포함할 수 있다.
인공 지능을 이용한 CSI 피드백 강화
단말 및 기지국은 인공 지능을 이용해 채널 상태 추정 및 채널 상태 보고 절차를 수행할 수 있다. 인공지능을 이용하는 경우, CSI 피드백 과정이 강화될 수 있다. 대표적으로 공간-주파수 도메인 CSI 압축(Spatial-frequency domain CSI compression)을 위해 AI 모델이 사용될 수 있다. 공간-주파수 도메인 CSI 압축을 위해서 양면 모델이 사용될 수 있다. 전처리 및 후처리, 양자화 및 역양자화 과정이 CSI 압축 과정에 포함될 수 있다. AI/ML 기반의 CSI 압축은 전술한 CSI 피드백 절차와 같이 기존 프레임 워크를 기반으로 수행될 수 있다. 또한 시간 도메인 CSI 예측을 위해 AI 모델이 사용될 수 있다. CSI 측정은 단말에서 측정되므로, UE 측 모델이 사용될 수 있다.
양면 모델을 사용한 CSI 압축의 경우, AI/ML 모델 훈련 협력(training collaboration) 방식은 세 가지 유형이 고려될 수 있다. 제1 훈련 협력 유형은 단일 측면 또는 엔티티에서 양면 모델을 공동으로 훈련하는 유형을 의미하며, UE 측이나 네트워크 측에서 수행될 수 있다. 어느 측에서 훈련할 것인지는 모델을 독점적으로 유지할 수 있는지 여부, 개인정보 보호, 특정 모델의 지원 여부, 장치 별 최적화 여부, 모델 업데이트의 유연성, 각각의 모델이 개발/업데이트할 가능성, 서로 다른 UE들에 대한 통합 CSI 재설정 모델의 구축 여부, 서로 다른 네트워크에 대한 통합 CSI 생성 모델의 구축 여부, 확장성 및 모델 성능 중 적어도 하나를 기반으로 결정될 수 있다.
제2 훈련 협력 유형은 네트워크 측과 UE 측에서 각각 양면 모델을 공동으로 훈련하는 유형이다. 제3 훈련 협력 유형은 네트워크 측과 UE 측에서 별도로 훈련하는 것으로, UE 측에서는 CSI 생성 부분을, 네트워크 측에서는 CSI 재설정 부분을 훈련하는 유형이다. 공동 훈련은 생성 모델과 재구성 모델이 같은 루프에서 순전파와 역전파를 통해 훈련되어야 하며, 적어도 하나의 노드에서 수행될 수 있다. 별도 훈련은 UE 측 또는 네트워크 측에서 시작하는 순차적 훈련을 의미한다.
제2 훈련 협력 유형에서, 공동 훈련은 동시 훈련과 순차적 훈련을 모두 포함할 수 있다. 제2 훈련 협력 유형의 순차적 훈련은 네트워크 측 훈련으로 시작할 수 있다.
제2 훈련 협력 유형에서, 동시 훈련 또는 순차적 훈련 중 어떤 것을 선택할 것인지는 모델의 독점적으로 유지할 수 있는지 여부, 모델을 독점적으로 유지할 수 있는지 여부, 개인정보 보호, 특정 모델의 지원 여부의 유연성, 장치 별 최적화 여부, 모델 업데이트의 유연성, 각각의 모델이 개발/업데이트할 가능성, 서로 다른 UE들에 대한 통합 CSI 재설정 모델의 구축 여부, 서로 다른 네트워크에 대한 통합 CSI 생성 모델의 구축 여부, 확장성, 훈련 데이터 분포가 추론 장치와 일치할 수 있는지 여부, 소프트웨어/하드웨어 호환성 및 모델 성능 중 적어도 하나를 기반으로 결정될 수 있다. 제3 훈련 협력 유형에서, 먼저 훈련이 수행되는 곳이 네트워크 인지 UE 인지는 제2 훈련 협력 유형에서 고려되는 조건들과 마찬가지로 독점 유지 여부, 개인정보 보호 여부 등을 기반으로 결정될 수 있다.
인공지능 모델을 위해 데이터를 생성하는 방식은 다양한 방식으로 구현될 수 있다. 일 예로, CSI 압축 사용 사례에서 모델 훈련을 위해 훈련 데이터는 UE/gNB에 의해 생성될 수 있다. 양면 모델 추론의 네트워크 부분에 대해서는 입력 데이터가 UE에 의해 생성되어 기지국에서 종료될 수 있다. 양면 모델 추론의 UE 부분에 대해서는 입력 데이터가 UE 내부적으로 사용될 수 있다.
또한 네트워크 측의 성능 모니터링을 위해, 필요한 경우 계산된 성능 지표 또는 성능 지표 계산을 위한 데이터는 UE에 의해 생성되어 기지국에서 종료될 수 있다. 양면 모델을 사용한 CSI 압축 사용 사례에서, 기지국에서 사용되는 CSI 재구성 모델과 호환되는 CSI 생성 모델을 선택하기 위해 모델 식별을 기반으로 한 페어링 정보를 설정될 수 있습니다.
AI를 이용한 CSI 예측에 대해서는 하기와 같이 적용될 수 있다. 모델 훈련을 위해 훈련 데이터는 UE에 의해 생성될 수 있다. UE 측 모델 추론의 경우, 입력 데이터는 UE 내부적으로 사용될 수 있다. 네트워크 측의 성능 모니터링을 위해 필요한 성능 지표 또는 성능 지표 계산을 위한 데이터는 UE에 의해 생성되어 gNB에서 종료될 수 있다.
인공지능을 이용한 빔 관리
기지국 및 단말의 빔은 인공지능(artificial intelligence, AI)을 통해 빔에 관한 설정을 관리할 수 있다. 편의를 위해 빔 세트 B는 AI/ML 모델의 입력으로 측정이 수행되는 빔 세트이고, 세트 A는 AI/ML 모델의 추론을 기반으로 결정되는 빔 세트를 지칭하기로 한다. 빔 세트 A와 빔 세트 B는 동일한 주파수 범위에 관한 빔 정보일 수 있다.
인공지능은 빔 세트 B의 측정을 기반으로 빔 세트 A에 대한 공간 도메인 하향링크 빔을 추론할 때 사용될 수 있다. 다른 일 예로 인공 지능은 빔 세트 B의 과거 측정 결과들을 기반으로 빔 세트 A에 대한 시간적 하향링크 빔을 추론하는데 사용될 수 있다. 여기서 빔 세트 A 및 빔 세트 B는 다른 세트이거나 빔 세트 B는 빔 세트 A의 부분집합일 수 있다.
또한 인공지능 모델의 입력은 다양한 조합으로 형성될 수 있다. 일 예로, 인공 지능의 입력은 빔 세트 B를 기반으로 측정한 L1-RSRP 측정, 다른 보조 정보, 빔 세트 B를 기반의 CIR(channel impulse response), 빔 세트 B의 L1-RSRP 측정과 관련된 하향링크 Tx/Rx 빔 식별자(identifier, ID) 중 적어도 하나를 포함할 수 있다.
전술한 인공지능 모델을 통해 하향링크 수신 빔, 하향링크 송신 빔 중 적어도 하나를 포함하는 빔을 추론할 수 있도록 설계될 수 있다. 또한 인공지능 모델의 출력은 송신 빔, 수신 빔, 송신 빔의 L1-RSRP, 수신 빔의 L1-RSRP, 송신 빔의 각도, 수신 빔의 각도, 기타 정보 중 적어도 하나를 포함할 수 있다.
인공 지능 모델을 이용한 빔 관리 방법은 전술한 방법으로 한정되는 것은 아니다. 인공 지능 모델은 빔 세트 A, 빔 세트 B에 관한 설정, 성능 모니터링, 데이터 수집, 보조 정보 등의 다양한 조합으로 입력과 출력을 구성함으로써, 다양하게 설정될 수 있다.
또한 학습 및 추론 방법도 다양하게 구현될 수 있다. 일 예로, 인공지능은 AI/ML(artificial intelligence/machine learning) 모델을 이용하여 학습 또는 훈련될 수 있다. 학습 및 훈련은 네트워크 또는 UE에 의해 수행될 수 있다. 또한 학습 및 추론이 다른 기기에서 수행될 수 있다. 일 예로, 학습은 네트워크에서 추론은 단말에서 수행될 수 있다. 학습의 일부는 제1 기기에서, 학습의 다른 일부는 제2 기기에서 수행하는 방식으로 분할 학습이 수행될 수 있다. 학습과 마찬가지 방법으로 분할 추론이 복수의 기기들을 이용하여 수행될 수 있다. 추론을 위한 입력데이터도 다양한 방식으로 생성될 수 있다. 일 예로 UE에서 입력 데이터가 생성되고, 네트워크에서 입력 데이트를 이용하여 추론을 수행할 수 있다. 또한 UE에서 생성된 입력 데이터가 UE 내부에서 추론을 사용하도록 수행될 수 있다.
인공지능을 이용한 강화된 측위 방법
단말 및 기지국은 인공 지능을 이용해 단말의 위치를 결정하는 측위 절차를 수행할 수 있다. 측위의 정확도 향상을 위해 AI/ML 모델을 통해 직접 위치가 결정되는 방법과, 보조 위치를 결정하는 방법이 고려될 수 있다.
AL/ML 모델을 통해 직접 위치가 결정되는 방식은 UE의 위치가 출력되고 채널 관측에 기반한 채널 지문(fingerprinting)이 AI/ML 모델의 입력으로 사용될 수 있다. 핑거프린팅 방식은 확률론적 모델링에 의한 측위 기법으로 노이즈 및 주변 환경 정보를 위치 추적을 위한 정보로 활용하는 방식이다. 따라서 핑거프린팅 방식은 무선 AP(Access Point) 등의 기존 기기를 활용하여 신호 세기 값 등을 기반으로 핑거프린트 맵을 구성하고, 단말이 채널 관측하여 생성한 채널 지문을 기반으로 단말의 위치가 결정될 수 있다.
AI/ML 모델을 통해 보조 위치가 결정되는 방식은 새로운 측정 및/또는 기존 측정의 향상된 값이 출력되고, LOS/NLOS 식별, 측정의 타이밍 및/또는 각도, 측정의 가능성 등이 입력될 수 있다.
구체적으로 다음과 같은 방법이 고려될 수 있다.
- UE 기반 위치 결정, UE 측 모델을 사용한 직접 AI/ML 또는 AI/ML 보조 위치 결정
- UE 보조/LMF 기반 위치 결정, UE 측 모델을 사용한 AI/ML 보조 위치 결정
- UE 보조/LMF 기반 위치 결정, LMF 측 모델을 사용한 직접 AI/ML 위치 결정
- NG-RAN 노드 보조 위치 결정, gNB 측 모델을 사용한 AI/ML 보조 위치 결정
- NG-RAN 노드 보조 위치 결정, LMF 측 모델을 사용한 직접 AI/ML 위치 결정
인공지능 모델을 위해 데이터를 생성하는 방식은 다양한 방식으로 구현될 수 있다. 즉, 측위를 위한 AI/ML 모델 훈련을 위해, 훈련 데이터는 UE/PRU/gNB/LMF에 의해 생성될 수 있다. LMF 측 모델 추론의 경우, 입력 데이터는 UE/gNB에 의해 생성되어 LMF에서 종료될 수 있다. gNB 측 모델 추론의 경우, 입력 데이터는 gNB 내부적으로 사용될 수 있다. UE 측 모델 추론의 경우, 입력 데이터는 UE 내부적으로 사용될 수 있다. LMF 측의 성능 모니터링을 위해, 필요한 경우 계산된 성능 지표 또는 성능 지표 계산을 위한 데이터는 UE/gNB에 의해 생성되어 LMF에서 종료될 수 있다. gNB 측의 성능 모니터링을 위해, 필요한 경우 계산된 성능 지표 또는 성능 지표 계산을 위한 데이터는 최소한 gNB에 의해 생성될 수 있다.
Rel-19 RAN(radio access network) WG1(working group 1)에서 논의될 NR 무선 인터페이스를 위한 AI/ML(AI/ML for NR air interface) 관련 논의 안건 중, AI/ML 기반 빔 관리(AI/ML based beam management)에 대한 WID(work item description) 문서의 내용은 아래 [표 1]과 같다.
Provide specification support for the following aspects:
……
- Beam management - DL Tx beam prediction for both UE-sided model and NW-sided model, encompassing [RAN1/RAN2]:
o Spatial-domain DL Tx beam prediction for Set A of beams based on measurement results of Set B of beams (“”
o Temporal DL Tx beam prediction for Set A of beams based on the historic measurement results of Set B of beams (“”
o Specify necessary signalling/mechanism(s) to facilitate LCM operations specific to the Beam Management use cases, if any
o Enabling method(s) to ensure consistency between training and inference regarding NW-side additional conditions (if identified) for inference at UE
NOTE: Strive for common framework design to support both BM-Case1 and BM-Case2
3GPP Rel-18 RAN WG1에서는 AI/ML을 활용하는 표준을 개발하기 위한 SI(study item) 단계에서의 논의가 수행되었다. 세부적으로, 크게 세 가지 기술 범주에 대한 연구(Study)가 진행되었고, 각각의 기술 범주는 CSI 피드백(feedback), 빔 관리(beam management), 측위 정확도 강화(positioning accuracy enhancement)이고, 이 중 빔 관리 및 측위 정확도 강화는 Rel-19에서 WI(working item) 단계에 논의될 예정이다. [표 1]은 Rel-19에서 논의할 AI/ML 기반 빔 관리의 개발 범위를 보여준다.위에서 제시한 바와 같이 Rel-19는 DL 송신(Tx) 빔 예측을 고려하며, 여기서 사용되는 AI/ML 모델로서 UE-측(UE-sided) 모델 및 NW-측(NW-sided) 모델이 고려된다. 여기서, UE-측 모델 및 NW-측 모델은, UE 및 NW사이에 결합된 방식의 AI/ML 모델을 이용하는 것이 아닌, UE 및 NW가 각각 AI/ML 절차를 위한 적어도 하나의 동작을 수행하는 구조를 가질 수 있다. 세부적인 개발 범위는 아래 네 가지 주제를 포함한다.
- 세트 B 빔 측정 결과 기반 세트 A 빔에 대한 공간 도메인 빔 예측 : BM-Case1
- 세트 B 빔 측정 결과 기반 세트 A 빔에 대한 시간 도메인 빔 예측 : BM-Case2
- 빔 관리 관련 LCM(life cycle management) 동작을 위해 필요한 시그널링 및 매커니즘
- UE 단에서의 추론(inference)을 위한 NW의 추가 조건 관련 훈련(training) 및 추론 사이의 지속성을 보장할 방법
추가로, 표준화는 가급적 BM-Case1과 BM-Case2를 모두 지원할 수 있는 공통의 프레임워크 개발을 지향한다.
3GPP Rel-18에서의 AI/ML 연구를 통해 TR 38.843 문서가 작성되었으며, 해당 문서는 AI/ML을 기반으로 한 NR 무선 인터페이스를 다룬다. 세부적으로, 표준은 NR 무선 인터페이스의 AI/ML에서 공통적으로 사용할 AI/ML 프레임워크(framework)를 정의하였고, 세 가지 대표 유즈케이스(예: CSI 피드백, 측위 정확도 강화, 빔 관리 등)에 대한 설명과 성능 평가 결과 및 예상 규격 변동사항 등을 포함하고 있다. 이어서, Rel-19 RAN WG1은 측위 정확도 강화 및 빔 관리에 대한 표준 개발과 CSI-RS 피드백에 대한 추가적인 연구를 진행할 예정이며, 전술한 언급한 AI/ML 프레임워크는 도 6과 같다.
도 6은 본 개시의 실시예에 따른 AI/ML 프레임워크를 도시한다. 도 6과 같은 AI/ML 프레임워크에 대한 연산이 물리적으로 이루어지는 개체에 따라, AI/ML 모델은 NW-측 AI/ML 모델 및 UE-측 AI/ML 모델, 양-측(two-side) AI/ML로 분류된다. 이 중, NW-측A I/ML 모델 및 UE-측 AI/ML 모델은 기지국 및 단말 중 한 곳에서 모든 AI/ML 연산을 처리하고, 양-측 AI/ML 모델은 기지국과 단말이 조인트하게(jointly) AI/ML 연산을 수행한다. 이로 인해, 양-측 AI/ML 모델은 NW-측 AI/ML 모델 및 UE-측 AI/ML 모델에 비해 훨씬 더 많은 양의 AI/ML을 위한 데이터 전송을 필요로 하며, 훨씬 더 큰 복잡도를 가질 수 있다. 따라서 Rel-19에서, NW-측 AI/ML 모델 및 UE-측 AI/ML 모델에 대한 표준화가 예상된다.
AI/ML 기반 빔 관리에서, 빔들은 복수의 세트(set)들로 분류된다. 빔들의 세트 A, 빔들의 세트 B, 빔들의 세트 C가 정의될 수 있으며, 각각의 기술적 의미는 이하 [표 2]와 같이 정의될 수 있다.
Clause 5.2.1 in TR38.843
...
The following are selected as representative sub-use cases:
- BM-Case1: Spatial-domain Downlink beam prediction for Set A of beams based on measurement results of Set B of beams
...
- BM-Case2: Temporal Downlink beam prediction for Set A of beams based on the historic measurement results of Set B of beams
...
Set B is a set of beams whose measurements are taken as inputs of the AI/ML model.

Clause 6.3.2.3 in TR38.843
...
- (Opt 2D) For the case that Set B of beams (pairs) is a subset of measured beams (pairs) Set C (where Set C is fixed across training and inference), compared to the case with all measurements of measured beam Set C as AI inputs
- with Top K=1/2 of the measurements of Set C,
…
이를 정리하면, 빔들의 세트 A(이하 '빔 세트 A')는 AI/ML을 통해 예측할 빔들의 집합을 포함하고, 빔들의 세트 B(이하 '빔 세트 B')는 빔 세트 A 내의 빔을 예측하기 위해 AI/ML에 입력 데이터로서 활용될 빔들의 집합을 포함하고, 빔들의 세트 C(이하 '빔 세트 C')는 빔 측정(beam measurement)이 수행되는 빔들의 집합을 포함한다. 여기서, 빔 세트 C에 포함되는 빔들은 AI/ML의 입력 데이터로서 활용될 수도 있고, 아닐 수도 있다.
기지국이 서비스하는 임의의 지역, 예를 들어, 커버리지 전체나 특정 넓은-빔(wide-beam) 내의 지역의 DL 송신 빔들이 총 NDL_TxBeam개의 빔들로 이루어진 집합을 집합 U라고 하면, 빔 세트 A의 빔들 및 빔 세트 B의 빔들은 집합 U의 원소들이 되고, 빔 세트 A 및 빔 세트 B는 각각 집합 U의 부분 집합이다.
도 7은 본 개시의 실시예에 따른 AI/ML 기반의 빔 관리를 위한 절차를 도시한다. 도 7과 같이, AI/ML 기반의 빔 관리를 위한 절차를 위해, 단말 및 기지국이 상호 작용한다.
도 7을 참고하면, S701 단계에서, 기지국은 단말에게 능력 정보 문의(inquiry) 메시지를 송신한다. 단말은 초기 접속 절차를 통해 기지국에 접속한 후, 연결을 수립하고, 기지국으로부터 능력 정보에 대한 요청을 수신할 수 있다.
S703 단계에서, 단말은 기지국에게 능력 정보 메시지를 송신한다. 단말은 기지국에게 통신에 관련된 하드웨어적 또는 기능적 능력에 대한 정보를 송신할 수 있다. 이때, 본 개시의 실시예에 따라, 단말은 AI/ML 기반의 빔 관리에 관련된 정보를 송신할 수 있다. 구체적으로, 능력 정보 메시지는 AI/ML 기반의 빔 관리 특징(feature)를 지원함을 지시하는 정보, UE-측 AI/ML 빔 관리 특징을 지원함을 지시하는 정보, 빔 관리를 위한 모델에 대한 정보 등을 포함할 수 있다. 이를 통해, 기지국은 단말을 위한 빔 관리를 AI/ML 기반으로 수행할 수 있음을 판단할 수 있다.
S705 단계에서, 기지국은 빔 세트 구성에 대한 정보를 포함하는 메시지를 송신한다. 여기서, 빔 세트 구성은 추론의 대상이 되는 빔들을 포함하는 제1 빔 세트 및 추론을 위한 입력 데이터를 획득하기 위해 사용되는 빔들을 포함하는 제2 빔 세트에 대한 정보를 포함한다. 본 개시의 실시예에 따라, 빔 세트 구성에 대한 정보는 제1 빔 세트에 속한 빔(들) 및 제2 빔 세트에 속한 빔(들)을 명시적 또는 묵시적으로 지시할 수 있다. 빔들을 지시하기 위해, 빔 인덱스, 기준 신호 인덱스, 자원 인덱스, 빔들의 표현 방식에 기반한 지시자, 빔의 물리적 정보(예: 방향 등) 등이 사용될 수 있다.
S707 단계에서, 기지국은 적어도 하나의 기준 신호를 송신한다. 이때, 기지국은 제2 빔 세트에 속하는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 송신한다. 도 7에 도시되지 아니하였으나, 기준 신호를 송신하기에 앞서 기준 신호의 송신에 대한 구성 정보 또는 제어 정보가 시그널링될 수 있다. 단말은 구성 정보 또는 제어 정보에 기반하여 제2 빔 세트에 속하는 적어도 하나의 기준 신호를 수신할 수 있다.
S709 단계에서, 단말은 채널 측정을 수행한다. 다시 말해, 단말은 제2 빔 세트에 속하는 적어도 하나의 기준 신호에 대한 측정을 수행함으로써, 채널 품질 정보를 획득한다. 예를 들어, 채널 품질 정보는 RSRP(reference signal received power)를 포함할 수 있다. 이때, 하나 또는 복수의 빔들에 대한 채널 품질 정보가 획득된다.
S711 단계에서, 단말은 제1 빔 세트에 속한 적어도 하나의 빔에 대한 정보를 추론한다. 즉, 제2 빔 세트에 속하는 적어도 하나의 기준 신호에 대한 채널 품질 정보를 입력 데이터로서 사용하여, 단말은 AI/ML 모델을 통해 제1 빔 세트에 속한 적어도 하나의 빔에 대한 정보를 생성한다. 이때, 추론을 통해 얻어지는 정보는 앞선 채널 측정을 통해 얻어지는 정보와 동종의 정보이거나 또는 다른 종류의 정보일 수 있다. 예를 들어, 추론을 통해 얻어지는 정보는 RSRP, PMI(precoding matrix indicator), RI(rank indicator), CQI(channel qaulity information) 중 적어도 하나를 포함할 수 있다. 다른 예로, 추론을 통해 얻어지는 정보는, 확률 정보를 포함할 수 있다. 여기서, 확률 정보의 대상은 다양하게 정의될 수 있는데, 각 빔이 특정 기준을 만족할 확률, 각 빔이 특정 성능 요구사항을 가질 확률 등으로 정의될 수 있다. 구체적인 예로, 확률 정보는 각 빔이 상위(Top)-K개 빔들(예: 특정 메트릭(예: L1-RSRP 등)을 기준으로 선정되는 최적의(best) K개 빔들)에 속하게 되는 확률 값을 포함할 수 있다. 또 다른 예로, 추론을 통해 얻어지는 정보는 빔의 특성을 나타내는 값으로서, 구체적으로, 잠재 공간(latent space)의 벡터 값을 포함할 수 있다.
S713 단계에서, 단말은 추론된 채널 품질에 대한 정보를 송신한다. 이를 위해, 도 7에 도시되지 아니하였으나, 채널 품질에 대한 정보의 피드백을 위한 구성 정보 또는 제어 정보가 시그널링될 수 있다. 단말은 구성 정보 또는 제어 정보에 기반하여 확인되는 자원을 통해 AI/ML 모델을 이용하여 추론된 제1 빔 세트에 속한 적어도 하나의 빔에 대한 정보를 기지국에게 송신할 수 있다.
전술한 절차에 따라 AI/ML 기반의 빔 관리가 수행될 수 있다. 전술한 절차에서, 기지국은 단말에게 빔 세트들에 대한 구성을 시그널링한다. 여기서, 빔 세트들은 앞서 표 2을 참고하여 설명한 빔 세트 A 및 빔 세트 B를 포함할 수 있다. 이하 본 개시는 빔 세트들의 구성 및 시그널링에 대한 다양한 실시예들을 설명한다.
도 8a 내지 도 8c는 본 개시의 실시예에 따른 빔 세트들의 구성 예들을 도시한다.
도 8a는 64개(예: NDL_TxBeam=64)의 전체 빔들에서 빔 세트 A 및 빔 세트 B의 구성을 나타내는 예이다. 도 8a를 참고하면, 빔 세트 A는 빔#1, 빔#2, 빔 #62, 빔#63, 빔#64 등을 포함하고, 빔 세트 B는 빔#2, 빔#4, 빔#5, 빔#62, 빔#63, 빔#64 등을 포함한다. 도 8a의 예에서, 빔 세트 A 및 빔 세트 B는 특별한 규칙성 없이 구성되었다. 도 8a의 예와 같이, 무작위적으로 2개의 빔 세트들이 구성될 수 있지만, 성능 및 복잡도를 고려하여 더 효율적인 구성이 이루어질 수 있다. 예를 들어, 도 8b과 같은 경우가 가능하다.
도 8b는 64개(예: NDL_TxBeam=64)의 전체 빔들에서 빔 세트 A가 연속되는 인덱스들을 가지는 빔들을 포함하도록 구성되는 예이다. 도 8b에서, 빔 세트 A는 빔 ID 33 내지 48의 빔들로 구성되어 있고, 빔 세트 B는 빔 세트 A의 빔들 중 일부로 구성되었다. 다시 말해, 빔 세트 B가 빔 세트 A의 부분 집합이다. 이와 같이, 빔 세트 A 및 빔 세트 B가 구성된 경우, 이는 적은 개수의 빔들에 대한 측정치 및/또는 정보를 AI/ML의 입력으로서 사용하여, 그 빔들(예: 입력으로 사용된 빔들)과 상관관계가 있을 주변 빔들에 대한 특성을 예측하는 방식에 기반한 빔 관리로 이해될 수 있다. 도 8b의 예를 확장하면, 하나의 빔의 측정하여 빔세트 A 빔들을 예측하는 경우가 있을 수 있고, 빔 세트 A와 빔세트 B가 동일한 경우도 있을 수 있다.
도 8b의 예에서, 빔 세트 A가 연속적인 빔 ID들로 구성되어 있다. 하지만, 도 8c와 같이, 빔 세트 A가 불연속적인 빔 ID들로 구성되고, 빔 세트 B가 빔 세트 A의 부분 집합으로 구성되는 것도 가능하다.
본 개시는 Rel-19 AI/ML 기반 빔 관리에서 주로 논의하는, DL 송신 빔 관리 방안을 제안한다.
도 9는 본 개시의 실시예에 따른 기지국의 빔들을 2차원으로 표현한 예를 도시한다. 도 9를 참고하면, DL 송신 빔들이 커버(cover)하는 영역은, 도 9의 제1 표현(910)과 같이, 빔들은 방위각(azimuth angle)과 고도각(elevation angle)을 기반으로 2차원적으로 표현될 수 있다. 제1 표현(910)에서, 방위각으로 8개의 영역들이 정의되고, 고도각으로 4개의 영역들이 정의됨으로써, 빔 세트 A에 속한 32개의 빔들이 표현된다. 도 9에 표현된 빔들은 기지국에 의해 생성 가능한 빔들의 전체 혹은 일부에 해당한다. 도 9의 제2 표현(920)은 제1 표현(910)을 직교 좌표로 변형한 결과이다. 제2 표현(920)에서 하나의 사각형 블록은 AI/ML로 추정할 빔 세트 A에 속한 빔들 중 하나를 나타낸다.
우선, 단말이 AI/ML에 대한 능력(capability) 또는 AI/ML 기반 빔 관리에 대한 능력을 기지국에게 알릴 수 있다. 이 단계에 앞서, 기지국이 단말에게 능력 보고(capability report)를 요청할 수 있다. 만약, 기지국이 UE-측 AI/ML 기반 빔 관리를 수행할 것을 결정하면, 기지국은 단말에게 빔 세트 A의 빔들에 대한 정보를 제공할 수 있다. 단말에게 제공되는 정보는 UE-측 AI/ML 기반 빔 관리를 위한 연산을 수행함에 있어서 사용될 수 있고, 빔 세트 A의 빔들의 개수, 각 빔의 방위각 크기 또는 빔 폭(beam width), 각 빔의 고도각 크기 중 적어도 하나를 포함할 수 있다. 특히, 도 9의 제2 표현(920)과 같이, 빔 세트 A가 행의 개수(예: n_row) 및 열의 개수(예: n_col)로 표현될 수 있는 경우, n_row 및 n_col에 대한 정보, 각 열에 대한 방위각, 각 열에 대한 고도각 중 적어도 하나가 빔 세트 A의 빔들에 대한 정보에 더 포함되거나, 또는 전술한 항목들을 대체할 수 있다. 또는, 전술한 빔 세트 A에 대한 정보에 포함되는 항목들의 전체 혹은 일부만이 사용될 수 있다.
또한, 기지국은 빔 세트 B에 대한 정보를 단말에게 알려야 한다. 빔 세트 B가 빔 세트 A의 부분 집합인 경우에 대해, 빔 세트 B의 구성을 단말에게 알리는 데이터 포맷은 다양한 형태가 있을 수 있다. 예를 들어, 이하, 포맷1, 포맷2, 포맷3 중 하나가 적용될 수 있다.
- 포맷1: 기지국은 각 빔을 하나의 비트에 매핑시키고, 단말에게 비트맵(bitmap) 형식으로 빔 세트 B에 대한 정보를 지시할 수 있다. 예를 들어, 도 10a과 같은 경우 [10001000 00100010 01000100 00010001], 도 10b과 같은 경우 [01001001 10010010 00100100 10010010]와 같이 비트맵을 이용하여 빔 세트 B에 포함되는 빔들이 지시될 수 있다.
- 포맷2: 각 행에서 빔 세트 B에 포함되는 빔들의 가장 낮은 열 인덱스 및 각 행의 빔 세트 B의 요소(element) 사이의 거리 정보로 지시할 수 있다. 도 10a과 같은 경우, 각 행에서 빔 세트 B에 속한 빔들 중 가장 낮은 열 인덱스, 즉, 시작 열 인덱스가 각각 [0,2,1,3]이고, 각 행의 빔세트 B의 요소들 사이의 거리가 4로서 일정하다. 추가로, 도 10b과 같은 예에서, 행 별 가장 낮은 열 인덱스, 즉, 시작 열 인덱스가 각각 [1,0,2,0] 이고, 각 행에서 빔 세트 B의 요소들 사이의 거리가 3이다. 따라서, 기지국은 행 별 빔의 시작 열 인덱스 및 행 별 요소들 간 간격을 지시함으로써 단말에게 빔 세트 B의 구성을 알릴 수 있다.
- 포맷3: 모든 행에 공통적으로 적용되는 bitmap과 각 행에 대한 그 bitmap의 cyclic shift 값을 지시할 수 있다. 이 방법은 도 10a의 빔 세트 B를 표현하기 위해, [10001000]의 비트맵과 [0,2,1,3]의 cyclic shift값을 지시하게 된다. 도 10b의 경우, [10010010] 비트맵과 [1,0,2,0]의 cyclic shift값으로 빔 세트 B의 구성을 지시할 수 있다.
상기 설명의 포맷2와 포맷3은 빔 세트 B가 특정 패턴을 가지는 경우에 적용될 수 있는 반면, 포맷1은 불규칙적인 빔 세트 B의 패턴도 지시할 수 있다. 따라서, 빔세트 패턴 등을 고려하여, 경우에 따라 포맷1과 포맷2, 포맷3을 선택하여 지시하는 방식도 적용될 수 있다. 예를 들어, 규칙적인 패턴을 지시하고자 하는 경우, 포맷3이 이용되고, 불규칙적인 패턴을 지시하고자 하는 경우, 포맷1이 이용될 수 있다.
상기 설명한 포맷1과 포맷2, 포맷3은 행과 열의 구성을 바꾼 포맷으로 변경될 될 수 있다. 예를 들어, 포맷1의 경우 도 10b을 지시하기 위해 [01001001 10010010 00100100 10010010]으로 비트맵이 생성되나, [0101 1000 0010 0101 1000 0010 0101 1000]과 같이 행과 열을 서로 바꾼 형태의 비트맵이 생성될 수 있다. 포맷2와 포맷3도 유사한 변형된 포맷을 사용할 수 있다.
상기 설명한 빔 세트 B에 대한 정보를 지시하기 위해, 다양한 실시예들이 활용될 수 있다.
첫 번째 방식으로, MAC_CE나 RRC 설정을 통해, 상기 설명한 포맷1/2/3과 같거나 유사한 형태의, 빔 세트 B 정보를 단말에게 전달할 수 있다. 이 방법은 빔 세트 B에 대한 정보를 빈번히 업데이트할 때에 잦은 설정이 필요할 수 있다. 만약, 상기 설명한 것과 같이, 빔 세트 B 정보를 지시하기 위해, 다수의 포맷을 활용하는 경우, 어떤 포맷에 대한 데이터인지를 알리기 위해 추가 지시자가 필요하다.
두 번째 방식으로, 규격 문서 상에 발생 가능한 많은 양의 빔 세트 B의 패턴 정보에 대한 후보들을 패턴 ID와 함께, 예를 들어, 포맷1, 포맷2, 포맷3과 동일하거나 유사한 형태로, 미리 정의(pre-defined)하는 방식이 적용될 수 있다. 이를 통해, 기지국은 미리 정의된 패턴들 중 하나를 선택하고, 빔 세트 B의 패턴을 패턴 ID를 통해 단말에게 지시할 수 있다. 이때, 기지국은 패턴 ID 외에도 추가적인 정보(예: 해당 패턴에 대한 유효 시간, 순차적으로 사용할 다른 패턴 ID 등)을 지시할 수 있다. 이하 [표 3]은 패턴들을 포맷3의 형태로 표현한 예이며, 포맷1 또는 포맷2에 대해서도 유사한 방식으로 후보 패턴들이 정의될 수 있다.
패턴 ID n_row, n_col 패턴 비트맵 사이클링 쉬프트
... ... ... ...
100 (4,8) [10001000] [1 0 2 3]
101 (4,8) [10001000] [0 2 1 3]
102 (4,8) [10010010] [1 0 2 3]
103 (4,8) [10010010] [0 2 1 3]
104 (4,8) ... ...
... ... ... ...
세 번째 방식으로, 전술한 빔 세트 B의 패턴에 대한 후보들로서, 하나 또는 복수의 후보(candidate)들이 사전에 기지국에 의해 RRC 시그널링을 통해 단말에게 구성되고, AI/ML 동작을 위한 빔 세트 B가 후보들 중에 하나로서 선택되고, 선택된 후보의 식별자를 DCI, MAC_CE, RRC 설정을 통해 지시하는 방식이 적용될 수 있다. 이 경우, 기지국이 단말에게 설정하는 후보들은 두번째 방식과 유사하게 정의될 수 있다.UE-측 AI/ML 기반 빔 관리에서, 빔 관리의 결과를 단말이 AI/ML의 입력으로 사용할 수 있기 때문에, 빔 세트 B와 빔 세트 C는 같다고 할 수 있다. 따라서, 기지국은 빔 세트 C에 대한 정보를 단말에 제공하지 아니할 수 있다.
본 개시에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다.　컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 정보가 저장되는 모든 종류의 기록장치를 포함한다.　또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한,　컴퓨터가 읽을 수 있는 기록매체는 롬(rom),　램(ram),　플래시 메모리(flash memory)　등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.　프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter)　등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 개시의 일부 측면들은 장치의 문맥에서 설명되었으나,　그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고,　여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다.　유사하게,　방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다.　방법 단계들의 몇몇 또는 전부는 예를 들어,　마이크로프로세서,　프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여)　수행될 수 있다.　몇몇의 실시예에서,　가장 중요한 방법 단계들의 적어도 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
프로그램 가능한 로직 장치(예를 들어,　필드 프로그래머블 게이트 어레이)는 본 개시에서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다.　필드 프로그래머블 게이트 어레이(field-programmable gate array)는 본 개시에서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서(microprocessor)와 함께 작동할 수 있다.　일반적으로,　방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 개시의 바람직한 실시예를 참조하여 설명하였지만,　해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 개시의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 개시를 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (16)

  1. 무선 통신 시스템에서 단말의 동작 방법은,
    AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것;
    상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 수신하는 것;
    상기 적어도 하나의 기준 신호에 기반하여 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 예측하는 것;
    상기 적어도 하나의 빔에 대한 정보를 기지국에게 송신하는 것을 포함하며,
    상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측되는, 방법.
  2. 청구항 1에 있어서,
    상기 제1 세트는, 연속되는 인덱스들을 가지는 빔들을 포함하는, 방법.
  3. 청구항 1에 있어서,
    상기 제1 세트는, 연속되는 인덱스들을 가지는 빔들을 포함하는 그룹들을 포함하고,
    상기 제2 세트는, 상기 그룹들 각각에 포함되는 적어도 하나의 빔을 포함하도록 구성되는, 방법.
  4. 청구항 1에 있어서,
    기지국에게 상기 AI/ML 기반 빔 관리에 대한 능력 정보를 송신하는 것;
    상기 제1 세트에 대한 구성 및 상기 제2 세트에 대한 구성을 포함하는 적어도 하나의 메시지를 수신하는 것을 더 포함하는, 방법.
  5. 청구항 1에 있어서,
    상기 제1 세트에 대한 구성 및 상기 제2 세트에 대한 구성을 포함하는 적어도 하나의 메시지를 수신하는 것을 더 포함하며,
    상기 제1 세트에 대한 구성은, 상기 제1 세트에 포함되는 빔들의 개수, 상기 빔들 각각의 방위각 크기 또는 빔 폭(beam width), 상기 빔들 각각의 고도각 크기, 상기 빔들의 2차원 표현을 위한 행의 개수 및 열의 개수, 각 열에 대한 방위각, 각 열에 대한 고도각 중 적어도 하나를 포함하는, 방법.
  6. 청구항 1에 있어서,
    상기 제1 세트에 대한 구성 및 상기 제2 세트에 대한 구성을 포함하는 적어도 하나의 메시지를 수신하는 것을 더 포함하며,
    상기 제2 세트에 대한 구성은, 상기 제2 세트에 포함되는 빔들에 대한 정보를 포함하는, 방법.
  7. 청구항 6에 있어서,
    상기 제2 세트에 포함되는 빔들에 대한 정보는, 각 비트가 후보 빔에 매핑되는 비트맵을 포함하는, 방법.
  8. 청구항 6에 있어서,
    상기 제2 세트에 포함되는 빔들에 대한 정보는, 빔들의 2차원 표현의 행 별 시작 열 인덱스 및 행 인덱스 간격을 포함하는, 방법.
  9. 청구항 6에 있어서,
    상기 제2 세트에 포함되는 빔들에 대한 정보는, 빔들의 2차원 표현의 대표 행의 비트맵 및 나머지 적어도 하나의 행에 대한 순환 쉬프트(cyclic shift) 값을 포함하는, 방법.
  10. 청구항 6에 있어서,
    상기 제2 세트에 대한 구성은, 상기 제2 세트에 포함되는 빔들에 대한 미리 정의된 또는 시그널링을 통해 구성된 후보 패턴들 중 적어도 하나의 패턴을 지시하는 식별자를 포함하는, 방법.
  11. 청구항 6에 있어서,
    상기 제2 세트에 대한 구성은, 상기 제2 세트에 포함되는 빔들에 대한 미리 정의된 또는 시그널링을 통해 구성된 후보 패턴들 중 적어도 하나의 패턴의 유효 시간에 대한 정보를 포함하는, 방법.
  12. 청구항 1에 있어서,
    상기 적어도 하나의 빔에 대한 정보는, RSRP, PMI(precoding matrix indicator), RI(rank indicator), CQI(channel quality information), 빔의 특성을 잠재 공간(latent space)의 벡터 값 중 적어도 하나를 포함하는, 방법.
  13. 무선 통신 시스템에서 기지국의 동작 방법은,
    AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것;
    상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 송신하는 것;
    상기 적어도 하나의 기준 신호에 기반하여 예측된, 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 수신하는 것을 포함하며,
    상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측되는, 방법.
  14. 청구항 13에 있어서,
    단말로부터 상기 AI/ML 기반 빔 관리에 대한 능력 정보를 수신하는 것;
    상기 단말에게 상기 제1 세트에 대한 구성 및 상기 제2 세트에 대한 구성을 포함하는 적어도 하나의 메시지를 송신하는 것을 더 포함하는, 방법.
  15. 무선 통신 시스템에서 단말에 있어서,
    적어도 하나의 송수신기;
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 동작 가능하도록 연결되고, 상기 프로세서에 의해 실행될 경우 상기 단말이 동작들을 수행하도록 제어하는 명령들(instructions)을 저장하는 적어도 하나의 메모리를 포함하고,
    상기 동작들은,
    AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것;
    상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 수신하는 것;
    상기 적어도 하나의 기준 신호에 기반하여 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 예측하는 것;
    상기 적어도 하나의 빔에 대한 정보를 기지국에게 송신하는 것을 포함하며,
    상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측되는, 단말.
  16. 무선 통신 시스템에서 기지국에 있어서,
    적어도 하나의 송수신기;
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서에 동작 가능하도록 연결되고, 상기 프로세서에 의해 실행될 경우 상기 단말이 동작들을 수행하도록 제어하는 명령들(instructions)을 저장하는 적어도 하나의 메모리를 포함하고,
    상기 동작들은,
    AI(artificial intelligence)/ML(machine learning) 기반 빔 관리를 위한 빔들의 제1 세트 및 제2 세트를 결정하는 것;
    상기 제2 세트에 속한 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호를 송신하는 것;
    상기 적어도 하나의 기준 신호에 기반하여 예측된, 상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보를 수신하는 것을 포함하며,
    상기 제1 세트에 포함되는 적어도 하나의 빔에 대한 정보는, 상기 제2 세트에 포함되는 적어도 하나의 빔에 대응하는 적어도 하나의 기준 신호에 대한 측정 결과에 기반하여 예측되는, 기지국.
PCT/KR2025/002336 2024-02-19 2025-02-18 무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치 Pending WO2025178344A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20240023626 2024-02-19
KR10-2024-0023626 2024-02-19
KR10-2025-0020758 2025-02-18
KR1020250020758A KR20250128252A (ko) 2024-02-19 2025-02-18 무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2025178344A1 true WO2025178344A1 (ko) 2025-08-28

Family

ID=96847382

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/002336 Pending WO2025178344A1 (ko) 2024-02-19 2025-02-18 무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치

Country Status (1)

Country Link
WO (1) WO2025178344A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190029535A (ko) * 2017-09-11 2019-03-20 엘지전자 주식회사 무선 통신 시스템에서 빔 복구를 수행하는 방법 및 이를 위한 장치
US20190132827A1 (en) * 2017-05-05 2019-05-02 National Instruments Corporation Wireless communication system that performs beam management using nested reference signals
US20230198604A1 (en) * 2021-12-20 2023-06-22 Lenovo (United States) Inc. Artificial Intelligence Enabled Beam Management
US20240056844A1 (en) * 2022-08-11 2024-02-15 Nokia Technologies Oy User equipment downlink transmission beam prediction framework with machine learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190132827A1 (en) * 2017-05-05 2019-05-02 National Instruments Corporation Wireless communication system that performs beam management using nested reference signals
KR20190029535A (ko) * 2017-09-11 2019-03-20 엘지전자 주식회사 무선 통신 시스템에서 빔 복구를 수행하는 방법 및 이를 위한 장치
US20230198604A1 (en) * 2021-12-20 2023-06-22 Lenovo (United States) Inc. Artificial Intelligence Enabled Beam Management
US20240056844A1 (en) * 2022-08-11 2024-02-15 Nokia Technologies Oy User equipment downlink transmission beam prediction framework with machine learning

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR air interface (Release 18)", 3GPP STANDARD; TECHNICAL REPORT; 3GPP TR 38.843, 3RD GENERATION PARTNERSHIP PROJECT (3GPP), MOBILE COMPETENCE CENTRE ; 650, ROUTE DES LUCIOLES ; F-06921 SOPHIA-ANTIPOLIS CEDEX ; FRANCE, no. V18.0.0, 16 January 2024 (2024-01-16), Mobile Competence Centre ; 650, route des Lucioles ; F-06921 Sophia-Antipolis Cedex ; France, pages 1 - 187, XP052576826 *

Similar Documents

Publication Publication Date Title
WO2022220642A1 (en) Method and apparatus for support of machine learning or artificial intelligence techniques for csi feedback in fdd mimo systems
WO2022191493A1 (en) Method and apparatus for support of machine learning or artificial intelligence techniques for handover management in communication systems
WO2022186659A1 (en) Method and apparatus for channel estimation and mobility enhancements in wireless communication system
WO2022186657A1 (en) Method and apparatus for support of machine learning or artificial intelligence techniques in communication systems
WO2023277454A1 (en) Method and apparatus for channel environment classification in wireless network system
WO2021091172A1 (en) Method and apparatus for fast beam management
WO2022050730A1 (en) Flexible quality of service framework for diverse networks
WO2024058526A1 (en) Ai/ml model monitoring operations for nr air interface
WO2021080391A1 (en) Method and apparatus for antenna parameter configuration for cellular communication systems
WO2024063536A1 (en) Method and apparatus for transceiving csi feedback in cellular systems
CN109219973A (zh) 一种使用波束赋形的通信系统中的邻居管理系统和方法
EP3821539A1 (en) Signal transmission method, apparatus, electronic device and computer readable storage medium
WO2021162491A1 (en) Method and apparatus for interference measurement
WO2024029795A1 (en) Apparatus and method for reporting csi in wireless communication system
WO2019226028A1 (en) Methods of beam codebook generation for 5g terminals
WO2021261863A1 (en) Method and apparatus for uplink transmit beam selection
WO2022035279A1 (en) Generating and calibrating signal strength prediction in a wireless network
KR20240066119A (ko) 무선 통신 시스템에서 기계 학습 기반 채널 상태 정보 예측 방법 및 장치
CN119923803A (zh) 具有机器学习和模型转移的波束管理框架
EP4285502A1 (en) Method and apparatus of beam management with measurement aging
WO2025178344A1 (ko) 무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 방법 및 장치
WO2024072126A1 (en) Method and apparatus for estimating channel state information in advanced mimo antenna systems for cellular communications
WO2025211846A1 (ko) 무선 통신 시스템에서 인공지능 및 기계학습 기반의 빔 관리를 위한 훈련 데이터를 수집하기 위한 방법 및 장치
WO2025029101A1 (en) Method and apparatus for channel state information prediction and performance monitoring at user terminal in wireless communication systems
KR20250128252A (ko) 무선 통신 시스템에서 빔 관리를 위한 빔 세트에 대한 정보를 시그널링하기 위한 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: 25758428

Country of ref document: EP

Kind code of ref document: A1