LTE筆記: AI/ML for NR Interface -4

在這一系列文章的最後, 我們來介紹一下波束管理的應用.

事實上, 由於引入 mmWave 的頻段, 波束管理一直是 5G NR 中的重要問題.

波束 (beamforming) 可以視為是往特定方向增強的訊號,

透過最佳化波束的指向, 我們可以為無線通訊引入一個新的角度: 空間,

並透過空間上的多工, 達成更高的通訊效能與更低的干擾.

然而, 在空間上聚焦, 意味著網路必須能夠掌握使用者的位置,

並能夠快速地根據使用者在空間上的變化, 進行波束的配置.

波束管理 (Beam Management) 在通訊的研究上本身就是一個大集合,

不論是波束搜尋, 波束追蹤, 波束配置, 都有許多相關研究,

然而, 在 3GPP 的框架中, 特別在乎的是實際通訊場域中要如何使用波束,

以及 AI/ML 可以達成的角色, 這又可以分成三類題目:

(1) 利用 AI/ML 學習通道在環境中的非線性變化, 避免數學的過度簡化

(2) 如何透過 AI/ML 的方法, 減少波束掃描的次數

(3) 透過 AI/ML 進行波束的預測 (學習使用者的動態行為)

為了解釋上述問題, 我們先解釋一下目前波束搜尋的框架,

分別對應網路與手機端的應用, 如下圖所示:

在圖中, 我們可以看到可以分成: P1, P2, P3 三個階段,

分別對應於 Set B (較寬的波束) 與 Set A (較窄的波束),

其中, 要進行波束管理的前提即是要有對應的量測資料 (L1-RSRP),

考慮到波束掃描與量測都需要時間, 都會造成通訊資源的損失,

因此, 如何減少掃描的次數, 或是有效地從 Set B 推論 Set A 中有效的波束,

即是 AI/ML 演算法可以介入的地方.

相同的問題命題, 在方向 (1) 中則表現於 Set B 與 Set A 的空間關聯性,

如何透過 AI/ML 的上進行建模, 可以得到 Set B 與 Set A 的對應,

對應於方向 (3), 則是透過動態模型來進行波束的預測,

減少波束進行掃描的次數, 以及對應要消耗的計算資源,

以上的應用方向, 也就是 AI/ML 最受期待能夠直接應用於 5G NR 的領域.

Castle on a Cloud