3GPP R18确定27个研究项目，看看包含哪些？

2021年12月17日，在RAN#94-e会议上，5G-Advanced确定了Release 18的首批27个项目。项目相关的提案号和提案名称如下表：

序号	提案号	提案名称
1	RP-213598	MIMO Evolution for Downlink and Uplink
2	RP-213565	Further NR Mobility Enhancements
3	RP-213600	NR support for UAV
4	RP-213584	Dual Tx/Rx MUSIM
5	RP-213589	In-Device Co-existence enhancements for NR and MR-DC
6	RP-213583	Mobile Terminated Small Data Transmission (MT-SDT) for NR
7	RP-213601	Mobile IAB
8	RP-213553	Further enhancement of data collection for SON/MDT in NR and EN-DC
9	RP-213690	NR NTN Enhancements
10	RP-213596	New WID on IoT NTN enhancements
11	RP-213568	Evolution for NR MBS
12	RP-213591	Evolution of NR Duplex Operation
13	RP-213579	Further NR Coverage Enhancement
14	RP-213585	Enhanced NR Sidelink Relay
15	RP-213587	XR Enhancements for NR
16	RP-213594	Enhancements on QoE managements for Diverse Services
17	RP-213588	Expanded and Improved NR Positioning
18	RP-213678	NR Sidelink Evolution
19	RP-213661	Further NR RedCap UE complexity reduction
20	RP-213645	Low-power Wake-up Signal and Receiver for NR
21	RP-213592	NR Smart repeaters
22	RP-213577	Multi-Carrier Enhancements for NR
23	RP-213575	NR Dynamic Spectrum Sharing (DSS)
24	RP-213603	NR support for dedicated spectrum less than 5MHz for FR1
25	RP-213554	Network energy saving for NR
26	RP-213599	AI/ML for NR air interface
27	RP-213602	AI/ML for NG-RAN

在所立项的27个项目中，有两个AI/ML的项目比较特别。因为除了这两个项目之外，其他的项目都是传统的通信技术演进，比如，MIMO增强、移动性增强、功耗增强、覆盖增强等等。而这两个AI/ML的项目是研究如何将人工智能/机器学习应用于NR空口以及下一代RAN，比较令人期待。

我们可以看到最近几年人工智能/机器学习比较热，它已经被广泛的应用于很多行业。在终端上，利用人工智能/机器学习进行图像处理、场景检测的应用也比较多。各移动终端平台也推出了各自的适用于移动终端的人工智能平台和框架。那么，对于3GPP R18而言，这两个研究项目的研究范围是怎样的呢？我们一起来看看。

RP-213599这个研究项目的全名叫做，Study on Artificial Intelligence (AI)/Machine Learning (ML) for NR Air Interface。这个项目由高通主导，中国信息通信研究院和爱立信作为联合报告人，参与的企业达到48家，包括主要的运营商、设备商、芯片商、终端厂商等等，足以说明这个研究项目的受重视程度。

下面是这项研究的目标：

“In this study, we explore the benefits of augmenting the air-interface with features enabling improved support of AI/ML based algorithms for enhanced performance and/or reduced complexity/overhead. Enhanced performance here depends on the use cases under consideration and could be, e.g., improved throughput, robustness, accuracy or reliability, etc. “

这项研究的内容包括：

(1)主要的应用场景:

    1) CSI feedback enhancement

    2) Beam management

    3) Positioning accuracy enhancements

(2)AI/ML模型相关的研究

    1) AI/ML的算法以及复杂度；

    2) UE与gNB的协作；

    3) AI/ML模型管理；

    4) 用于训练、测试、推理的数据集；

    5) AI/ML相关功能、流程和接口的标识和术语；

(3)关于性能评估的研究

    1) 评估AI/ML算法的性能：

        --- 基于统计模型的方法：

            a) 扩展3GPP原有评估方法更好适应基于AI/ML的技术；

            b) 实网数据用于评估的性能和鲁棒性；

            c) 对训练、验证和测试数据集的要求；

            d) 模型训练策略、协作等级；

            e) 用于校准的AI模型；

            f) AI模型描述和训练方法；

        --- KPIs:

            a) 性能、推理时延、计算复杂度；

            b) Overhead、功耗、内存消耗、硬件要求；

    2)评估对协议的影响

        ---物理层(RAN1)

            a) AI模型生命周期管理以及数据集建立的影响；

            b) 用于训练和验证的信令带来的影响；

        ---协议层(RAN2)

            a) 包括能力指示、配置、控制流程(训练/推理)、AI/ML模型和数据的管理；

            b) 协作层面相关的影响；

        ---互操作和可测试性(RAN4)

            a) 用于验证AI/ML性能的测试框架，确保UE和gNB能够满足最低要求；

            b) AI/ML处理能力的定义；

关于RP-213599这个研究项目的详细内容，可以参考如下链接研究报告：

https://www.3gpp.org/ftp/tsg_ran/TSG_RAN/TSGR_94e/Docs