3GPP RAN TSG#102闭幕及R19启动项目-5(NR 中的人工智能 (AI)/机器学习 (ML) 研究）

Rel-19 Study on Artificial Intelligence(AI)/Machine Learning (ML) for mobility in NR-主体提案编号：RP-234055

一、文档摘要（AI生成）

工作项目描述：本文介绍了一个名为FS_NR_AIML_Mob的工作项目，目的是研究在NR中使用人工智能/机器学习（AI/ML）来提升移动性。

研究内容：本文主要关注在RRC_CONNECTED模式下，基于现有的移动性框架，利用AI/ML算法来预测RRM测量和事件，从而改善网络触发的L3级切换的性能。

研究方法：本文将考虑UE侧和网络侧的AI/ML模型，分析其对切换性能指标（如Ping-pong切换，切换失败/无线链路故障，停留时间，切换中断，预测准确度，测量减少等）的影响和复杂度权衡。

二、 理由

通过现有的L3切换机制，切换是基于报告的历史测量结果和/或测量事件触发和执行的，即它在本质上是一种反应性的方案。在现有服务的宏蜂窝之间，当UE的移动性较低时，这可能效果良好。但当UE的移动性较高，或者在高密度的微蜂窝之间，或者两者兼而有之时，例如对于现有服务或未来服务（例如XR），这种反应性的方案可能导致更多的意外事件，例如切换失败，无线链路失败，乒乓现象，吞吐量损失或过早/过晚的切换等。为提高切换的稳健性，条件切换在Rel-16中引入。为减少小区之间频繁切换的中断时间，Rel-18引入了LTM HO。然而，这两种机制并不足够，因为它们仍然是反应性的方案。另一方面，基于AI/ML算法的机制有潜力实现主动方案。

在Rel-18中，称为FS_NR_AIML_air的SID在以物理层为中心的用例上进行了广泛研究，包括空间和时间波束预测。在服务小区内的时间预测主要是为了预测时间域内最佳或前K个波束或波束对，以提高UE的吞吐量。通过将L1波束测量从服务小区扩展到相邻小区，可以重用大多数RAN1工作，例如LTM HO研究。由于L3测量基于L1测量的过滤，因此可以利用用于空中的AI/ML研究以实现移动性目的，例如，时间预测也可以用于预测变得更糟的波束/小区，以避免无意中的事件，如无线链路故障或短时切换。

在Rel-17中，RAN3还在称为FS_NR_ENDC_data_collect的SID中研究了移动性增强，并在Rel-18 WID NR_AIML_NGRAN-Core中进行了规范。在这些RAN3项目中，关于移动性增强的研究和规范工作是基于网络侧可用的信息，例如历史上的切换和停留时间，以预测UE在单跳中的轨迹以及潜在的候选者。在Rel-19中，RAN3将进一步研究UE的多跳轨迹。对于一定程度上对AI/ML空中移动性的研究，预测的UE轨迹可能对此有所帮助。

基于目前RAN1和RAN3的进展以及UE轨迹的假设，可以预测RRM测量和/或事件，因此可以在UE侧预测候选目标小区。在网络侧，如果有必要，新的辅助信息和基于UE和/或相邻节点的测量报告的统计信息也可以用于智能预测。如果网络可以知道一些预测信息，通过主动措施，可以改善切换和/或RRM性能，以便做出更好的决策或避免意外事件。

（1）Rel-16中的条件切换

条件切换（CHO）是3GPP在Rel-16中引入的一种新的切换流程，它允许终端（UE）在满足一定条件后自主决定是否执行切换，而不是由网络（gNB）侧负责决定。这样可以减少切换中断时间，提高终端移动性能，也可以降低网络的复杂度和负载。条件切换可以应用于不同的场景，比如基于距离的切换、基于信号质量的切换、基于负载均衡的切换等。

（（2）Rel-18引入了LTM HO

LTM HO是指Low Throughput Mode Handover，即低吞吐量模式切换。这是3GPP在Rel-18中引入的一种新的切换机制，旨在提高低速率、低功耗的物联网设备（如RedCap终端）的移动性能。LTM HO的基本原理是，当设备检测到当前小区的信号质量低于阈值时，可以主动向网络请求切换到另一个小区，而不需要等待网络触发的测量和事件。这样可以减少切换延迟，降低切换失败的概率，提高设备的服务质量和用户体验。

目标

4.1、作项目的目标

研究目标：通过空中接口增强 RRC_CONNECTED 状态下的移动性
这项研究将重点关注通过现有移动性框架、即始终由网络侧做出切换决定的空中接口来增强 RRC_CONNECTED 状态下的移动性。移动性用例专注于独立 NR PCell 切换。研究可以同时考虑 UE 侧和网络侧的 AI/ML 模型。

研究和评估 AI/ML 辅助移动对网络触发 L3 切换的潜在好处和收益，考虑以下方面：

基于 AI/ML 的 RRM 测量和事件预测，

单元格级测量预测，包括频率内和频率间（UE 侧和网络侧模型）[RAN2]

用于 L3 移动性的单元间波束级测量预测（UE 侧和网络侧模型）[RAN2]

切换失败/无线链路故障预测（UE 侧模型）[RAN2]

测量事件预测（UE 侧模型）[RAN2]

研究网络侧模型是否需要/受益于任何其他 UE 辅助信息 [RAN2]

对 AI/ML 辅助移动的收益评估应考虑切换性能 KPI（例如，乒乓切换、切换失败/无线链路故障、停留时间、切换中断、预测准确性、测量减少）等）和复杂性权衡 [RAN2]

注意：仿真假设和方法可以利用 TR 38.901、38.843 和 36.839，详细讨论留给 RAN2

潜在的 AI 移动性特定增强应基于 Rel19 AI/ML 空口接口 WID 的通用框架（例如，LCM、性能监控等）[RAN2]

注意：这将仅在 Rel19 AI/ML 空口接口 WID 取得足够进展后进行处理

AI/ML 辅助移动的潜在规范影响 [RAN2]

评估可测试性、互操作性和对 RRM 需求和性能的影响 [RAN4]

注意 1：RAN1/3 工作可以通过 LS 触发

注意 2：RAN4 的范围/工作可以在 RAN2 的一些讨论之后由 RAN#105 定义和确认（在 RAN4 预先分配的 TU 中）

注意 3：避免与 RAN3 主导的 “AI/ML for NG-RAN” 重复研究

注意 4：不包括双边模型

主要内容：

研究将关注空中接口的 AI/ML 辅助移动，用于在 RRC_CONNECTED 状态下增强独立 NR PCell 切换。

研究将考虑 UE 侧和网络侧的 AI/ML 模型。

研究将评估 AI/ML 辅助移动的潜在好处和收益，包括但不限于切换性能 KPI 和复杂性权衡。

研究将考虑与 AI/ML 辅助移动相关的规范影响。

研究将评估 AI/ML 辅助移动的可测试性、互操作性，以及对 RRM 需求和性能的影响。

五、TXYZ文档分析

该文件是在 3GPP TSG RAN Meeting #102 背景下针对 NR（新无线电）移动性的人工智能 (AI) 和机器学习 (ML) 进行的研究。该研究旨在提高切换鲁棒性，减少小小区之间频繁切换的中断时间。它讨论了现有切换机制的局限性，并建议使用人工智能/机器学习算法来实现主动方案。该文件强调了先前在以物理层为中心的用例和移动性增强方面的研究取得的进展。它还概述了该研究的目标，其中包括评估 AI/ML 辅助移动性对于网络触发切换的潜在优势，并考虑 RRM 测量和事件预测、小区级和波束级测量预测、HO 故障/ RLF预测、测量事件预测以及UE辅助信息的需要。该文件还提到了在切换性能 KPI 和复杂性权衡方面对 AI/ML 辅助移动性优势的评估。该研究的预期成果是针对 NR 移动性的 AI/ML 制定新规范。
要点：

• 现有的切换机制是反应性的，并且可能在高移动性场景中导致意外事件。
• 人工智能/机器学习算法有潜力实现主动切换方案。
• 之前的研究主要集中在以物理层为中心的用例和移动性增强。
• 该研究旨在评估人工智能/机器学习辅助移动性对于网络触发切换的好处。
• 目标包括 RRM 测量和事件预测、小区级和波束级测量预测、HO 失败/RLF 预测、测量事件预测以及 UE 辅助信息的需求。- 该研究将考虑切换性能 KPI 和复杂性权衡。
• 预期输出是关于 NR 移动性的 AI/ML 的新规范。