LTE筆記: AI/ML for NR Interface -2

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:

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) 位於核網之外,

會造成大量的定位延遲, 無法產生定位精確的結果,

對於此限制, 3GPP 有討論將計算移動到 Edge Server 上進行,

我們也可以參考 O-RAN 的框架, 來進行定位的 AI/ML 模型的訓練與推論.

我們可以把 LMF 視為進行計算的位置, 而非特定網元,

而此處的重點, 則是在於定位的計算位於網路/基地台端 (Network-based) 進行.

除了系統端的定位架構之外, 也有透過 UE 進行定位並將結果回傳的架構,

此類的方法, 便可以利用裝置上的感測器, 甚至是 GPS 輔助進行定位,

相對的, AI/ML 的模型管理與更新, 就會是更大的問題.

Castle on a Cloud