LTE筆記: AI/ML for NR Interface -3
介紹完 AI/ML 在定位領域的應用後,
我們接下來介紹 AI/ML 模型用於 CSI 處理的應用,
CSI 全稱為 Channel State Infomation, 用以表示通道的細部變化,
相較於傳統上 RSRP 的訊號強度資訊,
CSI 的資訊可以反映出訊號在時間或是頻域上強度的變化,
可以用來進行 precoder 的設計, 或是進行定位演算法開發.
然而, CSI 資訊也引入了新的問題, 包含了估測與回傳.
考慮到在下行的應用情境下, SSB (Synchronization Signal Block) 由基地台發出,
裝置端透過接收此訊號, 進行通道估測並取出 RSRP 與 CSI 資訊,
並將 RSRP 與 CSI 資訊回傳至基地台, 讓基地台進行 precoder 的選擇.
因此, 對基地台而言, CSI 的回報數量就和服務的使用者數量呈正比,
同時, 每一筆 CSI 回報又包含在不同頻帶上的量測數值,
因此, 如何減少回報的數量, 以避免佔用太多通訊資源, 是一個重要的問題.
在傳統上, 有兩種做法可以對 CSI 回報進行壓縮,
第一種是基於 codebook 的方法, 在此架構下, 基地台和使用者分享一共同的 codebook,
因此, 使用者回傳時只需要回傳最接近 CSI 的 codebook 編碼,
這種方法雖然可以有效地減低傳送資料量, 但是卻會有失真的問題,
第二種方法則是透過壓縮感知方式 (Compressive Sensing) 進行 CSI 資訊壓縮,
此方法需要一預定的感知矩陣 (sensing matrix), 此矩陣對於所有使用者的一般性,
以及壓縮感知方法本身的稀疏性假設, 會是此方法的限制.
考慮到 AI/ML 演算法的發展,
3GPP 也開始討論如何借力於 AI/ML 方法減少 CSI 的回報量,
事實上, 上述所說的壓縮感知也算是一種 ML 方法,
因此, AI/ML 在此應用中的主要價值應該在於使用者可以動態學習壓縮方法,
並且透過資訊分享的方式, 讓基地台可以近乎無損的取出 CSI 資訊,
目前主要討論的方法包含: SVD, reinforcement learning, Encoder-Decoder 架構.
如下圖所表示:
以取得一壓縮的向量表示裝置端 CSI 數值的變化,
在此方法中, 裝置端會產生一 codebook, 並與基地台分享,
而 codebook 數值對於真實 CSI 的對應則由一神經網路表示,
此神經網路中的參數, 可以透過預先訓練或是即時的強化式學習機制優化.
第二種與第三種方法, 都是借用 encoder-decoder 架構,
兩者差異在於輸入與輸出的數值, 是經由 SVD 壓縮後的數值或是 CSI 本身,
在 encoder-decoder 架構下, 可以視為透過 AI/ML 的非線性轉換,
將數值透過非線性轉換到一特徵空間, 並指回報此特徵空間中的向量數值,
然而, 如何分享或是更新 encoder-decoder 中的參數, 將會是此應用中的重大挑戰.
留言
張貼留言