S2小伙伴 S2微沙龙
文|Niuyx
在上一篇《AI/ML在3GPP标准中的研究进展》中，大家先容了AI/ML在3GPP的研究进展。其中提到，在RAN1主导课题FS_NR_AIML_air中，主要研究了AI/ML在NR空口的应用，其中主要包括三个用例：信道状态信息（CSI）反馈增强、波束管理增强以及定位精度增强。今天，大家就来一起看一看这些用例的具体内容吧。
1. 综述
在了解具体用例之前，大家先了解一下NR空口AI/ML功能架构（如图1所示），其涵盖了如数据收集、模型训练、管理、推理以及模型存储等关键功能模块，这些模块共同构成了模型生命周期管理系统。
图1 NR空口AI/ML功能架构
数据收集模块：负责收集模型训练、管理和推理所需的各种数据； 模型训练模块：负责利用收集到的数据对AI模型进行训练、测试和优化，根据实际应用需求，模型训练可灵活采用在线或离线的训练方式； 推理模块：负责将推理数据输入到训练好的模型中，来获得相应的模型推理输出； 管理模块：负责根据监控数据及模型推理输出等信息进行决策，并输出相应的管理指令，这些指令包括但不限于模型的性能监控、激活与去激活、切换、传输及重训练等，以确保模型始终运行在最佳状态； 模型存储模块：负责将训练好的模型进行安全存储,以便在需要时随时调用，当模型存储模块与模型推理模块分开部署时，还需进行模型传输。
2. CSI反馈增强
2.1 背景
CSI信息是无线网络中通信信道状态或质量的度量，它提供了基站和用户设备之间无线信道物理特性的详细信息，这些信道特性对于优化无线通信系统的性能至关重要，因为这些信道特性直接影响自适应传输技术的设计，例如：
波束赋形：根据CSI信息，基站将能量集中在用户设备的方向，提高信号强度并减少干扰； MIMO预编码：根据CSI信息，优化多个天线空间流并最大化吞吐量； 自适应调制和编码：根据CSI信息，确定最佳调制和编码方案，平衡吞吐量和可靠性； 干扰管理：根据CSI信息，了解干扰强度，减轻密集网络中的用户间干扰。
用户设备通过分析基站发射的参考信号（CSI-RS）来对信道质量进行测量，CSI参数包括：
信道质量指示：用户设备上报给基站的一个量化值，用于指示下行链路的信道质量。它反映了UE在当前信道条件下能够接收的最大调制和编码方案，以确保一定的误码率； 秩指示：表示MIMO系统中并行传输数据流的数量。它反映了信道的多径传播特性和信道矩阵的秩，通常与信道的空间自由度有关； 预编码矩阵指示：用户设备对下行链路信道状态的一种反馈，指示基站应该选择哪个预编码矩阵来进行信号传输。预编码矩阵是在多天线系统中用来处理信号的线性变换矩阵。
在CSI反馈过程中，用户设备将CSI信息发送到基站，使基站能够根据信道条件调整其传输策略。在某些系统中，用户设备可能会将完整的CSI信息反馈给基站，而在其他系统中，考虑到传输的高效性（比如带宽效率、延迟、能效以及网络拥塞等），CSI信息通常被量化或压缩后反馈给基站，从而减少反馈的开销、提高无线系统效率。但是，CSI压缩不可避免地会导致一些信息损失，这可能会导致系统性能下降。因此，如何能够提高CSI信息传输的高效性是一个关键问题。
2.2 基于AI的CSI反馈增强
基于AI的CSI反馈增强主要面向以下两个方向：基于双边AI模型的空-频域CSI压缩； 基于单边AI模型的时域CSI预测。
基于双边AI模型的空-频域CSI压缩方案，其推理流程如图2所示，即在用户设备端部署 CSI 生成模型，而在基站端部署相应的 CSI重构模型，这两个模型协同工作，完成CSI的压缩、反馈和重构任务，使得CSI在用户设备端被显著压缩的同时确保基站能够获取更精确的CSI数据，进而优化资源调度等操作。
图2: 基于双边模型的CSI压缩推理过程
与基于双边AI模型空-频域CSI压缩方案不同，基于单边AI模型的时域CSI预测采用的是用户设备侧的单边模型，即在用户设备端部署CSI预测模型，将CSI的历史测量数据输入到CSI预测模型中，输出未来时刻的CSI预测值，从而有效解决CSI时效性问题。
图3: 基于单边模型的CSI预测推理过程
为了实现基于双边AI模型的空-频域CSI压缩和基于单边AI模型的时域CSI预测，数据收集都是重点研究问题之一，此外，双边模型的协同训练及配对流程对于保证系统性能至关重要。目前，3GPP RAN1/2工作组也正在面向数据收集、模型传输等问题进行讨论研究。
3. 波束管理增强
3.1 背景
波束管理涉及在基站和用户设备之间选择、维护和优化定向波束，以确保可靠和高质量的通信，其终极目标就是建立和维护合适的波束对，即在发射机选择合适的发射波束，在接收机选择合适的接收波束。一般来说，波束管理主要包括以下几个部分：
初始波束建立：为上下行方向初始建立波束对的功能和过程； 波束调整：主要用来适应终端的移动和旋转，以及环境中的缓慢变化。当初始波束对建立起来后，因为终端的移动、旋转以及环境缓慢变化等原因，需要定期地重新评估基站和用户设备端波束的选择是否依然合适； 波束恢复：用于处理快速变化的环境破坏当前波束对的情况。在某些场景下，由于环境的变化，导致原来建立的波束对突然被阻挡，网络和终端没有足够的时间来进行波束调整，需要用波束恢复方法来处理这种波束失败的流程。
一旦建立了初始波束，需要定期地重新评估基站和用户设备端波束的选择是否合适，以确保高可靠和高质量的通信。以下行波束调整为例，对于下行发送端波束调整，用户设备通过测量参考信号来评估当前波束的质量，并将测量结果上报给基站，由基站来决定是否调整当前发射波束；对于下行接收端波束调整，由用户设备通过测量结果调整其当前的接收波束。目前，波束管理还是较为复杂，大量的波束和用户增加了波束测量和上报的开销，此外，波束质量上报和指示存在一定的延时，波束失败检测和波束失败恢复也都存在优化空间，对这些较难建模的波束管理问题，可考虑AI技术提升性能。
3.2 基于AI的波束管理
基于AI的波束管理方法主要包括空域波束预测和时域波束预测两大应用场景。BM-Case1和BM-Case2的波束管理推理过程如图4所示。在面向BM-Case1的方案中，将Set B波束质量的测量值作为模型输入，以获取Set A波束中的Top-1/N波束和/或Top-1/N波束质量的测量值（e.g. L1-RSRPs）等信息；在面向BM-Case2的方案中，将Set B波束质量的历史测量值作为模型输入，以获取未来时刻Set A波束中的Top-1/N波束和/或Top-1/N波束质量的测量值（e.g. L1-RSRPs）等信息。基于AI的空域波束预测和时域波束预测，可以显著减少测量时延，降低测量和信令开销，提升MIMO性能。
图4: BM-Case1和BM-Case2的波束管理推理过程
4. 定位增强 基于AI的定位精度增强方法主要包括直接AI/ML定位和AI/ML辅助定位两大应用场景。
基于AI的定位精度增强方案，目前优先考虑的是单边AI/ML模型，即推理过程完全在网络侧（包括LMF和gNB）或者完全在用户设备（UE）侧实行，主要包括以下几个Case：Case1：UE-based Positioning，基于UE侧模型进行推理，模型推理的输入数据从UE获取，适用于直接AI/ML定位或AI/ML辅助定位； Case2a：UE-assisted/LMF-based Positioning，基于UE侧模型进行推理，模型推理的输入数据从UE获取，适用于AI/ML辅助定位； Case2b：UE-assisted/LMF-based Positioning，基于LMF侧模型进行推理，模型推理的输入数据从UE和gNB获取，适用于直接AI/ML定位； Case3a：NG-RAN node assisted Positioning，基于gNB侧模型进行推理，模型推理的输入数据从gNB获取，适用于AI/ML辅助定位； Case3b：NG-RAN node assisted positioning，基于LMF侧模型进行推理，模型推理的输入数据从UE和gNB获取，适用于直接AI/ML定位。
| 
174
发表于 2024-12-16 10:11:40