Castle on a Cloud

我們先從 AI/ML 進行的定位演算法的 Use Case 開始, 3GPP 討論定位已經有一段很長遠的歷史, 不論是使用傳統 3G/4G 的 TDoA 進行定位, 或是嘗試結合其他通訊協定 (WiFi, 藍牙), 隨著定位功能在通訊網路愈來越受到重視, 也有更多的討論進行中. 也因為定位已在之前通訊架構中有許多討論, 在 3GPP 定義裡, 以 AI/ML 進行的定位演算法, 有可以進一步分為: 直接定位 (Positioning Direct AI/ML positioning) 與輔助定位 (AI/ML assisted positioning),  前者繼承自 3GPP 傳統定位框架, 透過 AI/ML 的輔助, 轉換出定位所需資訊 (如: TDoA), 後者則以 AI/ML 演算法直接取出定位目標的位置估測, 希望可以增進定位誤差. 兩種框架的比較如下圖所示: 來自:  https://www.sharetechnote.com/html/5G/5G_AI_ML_PHY_Positioning.html 在所有 3GPP 可以取得的定位資訊中, 最有潛力的應該是 CSI (Channel State Infomation) 資訊, 透過 SRS (Sounding Reference Signal) 可以使基地台估測到上行的 CSI 通道資訊, 此資訊不同於傳統的 TDoA, 訊號強度, 等精細度較低的物理量, 可以精確地反映出電磁波透過與環境 (室內隔間, 障礙物, 等) 互動所得到的通道效應, 相對的, 由於環境的介入, 此類資訊無法預先建立統計模型描述和距離的相關性, 也因此, 需要 AI/ML 的框架進行學習, 甚至是即時訓練, 以下是其訓練框架: Model training and inference - Direct positioning model inference phase (Case 3b) 來自:  https://www.sharetechnote.com/html/5G/5G_AI_ML_PHY_Positioning.html 其中, 在此框架 (Case 3b) 下, AI/ML 不論是訓練或是推論都是在 LMF 上進行, 在原有的定位架構中, 由於 LMF (Location Management Function)

在之前的內容中, 我們介紹了 O-RAN 的標準, 並藉受如何透過 RIC 的介入, 使 AI/ML 演算法和 RAN 相結合. 相同的, 受啟發於 AI/ML 的熱潮, 3GPP 也思考如何與其進行整合, 其中, 可以分成以下 3 個整合方向: RAN 1/2/4: AI/ML for NR Interface  RAN 3: AI/ML on NG-RAN: NES, MRO, MLB SA 5: AI/ML Manegement (OAM) 其中, 第一點為這一系列文章中的主題, 我們後續介紹, 第二點則是延續之前 4G 架構中, 對於 SON 功能的討論,  所以可以看到 NES, MRO, MLB 這些對基地台參數最佳化的方法, 只是加入 AI/ML 演算法進行其架構的延伸. 第三點, OAM (Operations, Administration and Maintenance) 也是延續自 4G, 強調對於電信網路的管理, 營運進行視覺化與自動化. 來自: https://www.comsoc.org/publications/ctn/artificial-intelligence-3gpp-5g-advanced-survey 相較於現有網路的管理與最佳化方法的延伸, 在第一點的討論中, 由於跨越了 NR interface, 也就是無線的鏈結, 著重在 AI/ML 於使用者 (UE) 與網路端 (NW) 的協作,  也因此, 在此架構下的第一個重點即是: AI/ML 模型的訓練與推論流程, 而在目前的架構中, 目前仍保有彈性,  進行模型訓練的位置可以是 gNB, 也可以是網路控制器 (RIC, OAM, etc) 至於進行推論可以在 gNB 上進行, 或是將模型傳送至 UE 端進行推論. 來自: https://sharetechnote.com/html/5G/5G_AI_ML.html 在此計算框架下, AI/ML for NR Interface 專注在三個開發的方向: Channel State Information (CSI) 資料處理: 考慮到 CSI 的資料量很大, 可以透過編碼-解碼 (encoder-decoder) 的架構, 減少進行回報的資料量. 在目前討論中, 頻率的 CFR (Channel Frequency Res