3GPP RAN TSG#102闭幕及R19启动项目-11(On AI/ML for Air Interface））2/2

On AI/ML for Air Interface bjectives-主体提案编号：RP-232747

3.3 Positioning use case

定位用例涵盖两个子用例：直接 AI/ML 定位和 AI/ML 辅助定位。SI 中列出的案例也在表 1 中列出，并且为了使工作范围易于管理，我们建议对这些用例进行向下选择，以便在规范阶段实施。
总结：
定位用例包括直接 AI/ML 定位和 AI/ML 辅助定位两种子用例。
为了使工作范围可控，需要对 SI 中列出的用例进行向下选择。
建议表 1 中突出显示的用例作为向下选择的候选用例。
Table 1: AI/ML-based positioning categories from the SI and our Case proposals for normative work highlighted in green.

在下面，我们讨论了进行此筛选的动机。根据RAN1对基于人工智能/机器学习的定位的评估，在TR [1]中得出结论：
• 无论是直接的人工智能/机器学习定位还是辅助的人工智能/机器学习定位，都可以显著提高与现有基于RAT的定位方法相比的定位精度。
• 根据进行的分析，建议继续进行基于人工智能/机器学习的定位的规范工作。
虽然有许多可能的方法来指定UE定位的人工智能/机器学习模型，但评估结果表明其中一些具有可比较的性能。评估结果还显示，考虑到泛化方面、成本（包括潜在的规范影响和信令开销）以及可实现的定位精度，一些方法是首选的。
这段文本主要讨论了将定位用例进行向下选择的必要性，原因包括：

更精准的定位： 基于 RAN1 的评估，AI/ML 定位（无论直接还是辅助）与现有的依赖 RAT 的定位方法相比，能显著提升定位精度。

工作量和目标管理： 为了合理安排工作量和实现可行目标，RAN 提出限制包含在工作项目中的范围和子用例。

评估结果指导取舍： 虽然定位 AI/ML 模型的规范方式有很多，但评估结果表明，某些方法具有相似的性能，同时考虑到泛化能力、成本（包括潜在的规范影响和信令开销）和可实现的定位精度，某些方法更具优势。

尽管有许多可能的方式来指定UE定位的人工智能/机器学习模型，评估结果显示其中一些具有可比较的性能。评估结果还表明，考虑到泛化方面、成本（包括潜在的规范影响和信令开销）以及可实现的定位精度，一些方法更受偏爱。

RAN应在工作项期间规划合理的工作量和目标。因此，我们建议限制范围和要包含的子用例。我们对将在工作项中考虑的用例进行的高级评估如下：

AI/ML直接定位和辅助定位方法：评估结果显示两者都能达到非常相似的定位精度。它们之间的差异在于其他设计方面。

2b和3b直接AI/ML定位的规范影响和信令开销预计会更大，因为它需要通过标准化接口发送通道测量（例如，CIR、PDP、DP）。相比之下，对于辅助定位2a/3a案例，仅将模型输出（例如，RSTD、LOS/NLOS指示器）发送到LMF以支持常规定位方法（例如，三角测量）。

采用直接AI/ML定位在LMF上的复杂性预计会很高，因为它需要更新LMF以托管AI/ML模型和相关功能。需要更新UE（案例2b）或gNB（案例3b）以将增强的通道测量（例如，CIR、PDP、DP）发送到LMF。相比之下，通过生成与LMF接收的现有IE一致的模型输出（例如，RSTD），AI/ML辅助定位（案例2a/3a）可能不需要LMF更新，即在升级5GS以支持基于AI/ML的定位的同时可以重用LMF。在考虑采用AI/ML模型的便利性时，最小化影响范围是一个重要的优势。

鉴于 AI/ML 辅助定位案例 2a/3a 相对于直接 AI/ML 定位案例 2b/3b 所具有的上述优势，我们建议将 2b/3b 排除在 Rel-19 工作项目范围之外。
解释：
作者认为 AI/ML 辅助定位案例 2a/3a 更具优势，因为它：

规范影响和信令开销更小；

可能不需要更新 LMF，更易于部署；

定位精度与直接定位方法相当。

因此，作者建议将直接定位案例 2b/3b 从 Rel-19 工作项目中排除，以集中精力开发更具优势的辅助定位方法。

提案 4：
为了限制 Rel-19 工作项目在定位方面的范围，AI/ML 案例 2b 和 3b（直接定位）不被纳入 Rel-19 的考虑范围。
UE 侧模型和 NW 侧模型：
评估结果显示，NW 侧和 UE 侧 AI/ML 模型可以实现相似的性能，因为两侧都可以构建相似的 AI/ML 模型。主要区别在于潜在的规范影响和信令开销。
规范工作阶段可以支持 UE 侧和 NW 侧模型。
建议：
将范围限制为 UE 侧模型和 NW 侧模型的单个用例。
关于 UE 侧模型（案例 1、案例 2a）：
案例 1：整个过程（从执行 PRS 测量到确定 UE 位置）完全在 UE 内进行。UE 位置使用传统的 LPP 协议报告回 LMF 节点。大多数 AI/ML 方面取决于 UE 的实现。只有训练数据收集需要规范支持，例如模型输入的测量精度要求以及训练数据报告格式（例如，值范围和量化位数）。因此，与案例 2a 相比，案例 1 相对容易指定。
案例 2a：在性能方面与案例 3a 相似。然而，考虑到模型泛化，案例 3a 比案例 2a 有明显优势。除非 UE 移动性有限且事先已知，否则 UE 很难拥有一个在 UE 从一个小区移动到另一个小区时能很好地泛化的 AI/ML 模型。此外，与案例 3a 相比，案例 2a 可能需要额外的信令支持。例如，训练和推理的数据收集需要通过空中接口从 UE 传输大量数据到网络。模型监控也需要 UE 和网络之间的密切协调，即使模型监控是由 UE 执行的。因此，案例 2a 的吸引力不如案例 3a，应降低其优先级。

提案 5：

为了限制规范阶段 Rel-19 AI/ML 定位用例的范围，建议将 Rel-19 定位工作项目的范围限制在案例 1 和案例 3a 上。

定位规范影响高层评估：

RAN1/RAN2/RAN3 规范影响：

训练数据收集的程序和信令格式，包括收集 UE（案例 1）和 gNB（案例 3a）生成的用于模型输入的测量数据、相应的地面真实标签（例如，来自 PRU）以及支持模型所需的任何辅助数据（例如，有效性条件）。

模型监控的程序和信令格式，包括 UE/gNB 向 LMF 报告的模型监控决策，该决策由 UE（案例 1）或 gNB（案例 3a）生成。

RAN4 规范影响：

可能包括模型输入和输出的准确性要求（如果需要）。

评估是否需要证明泛化，以及定义实现所需泛化的充分灵活的测试场景。

模型监控相关要求和指标。

指定与模型训练和测量报告相对应的核心要求。

3.4 On the CSI use cases

分析和提案：双边 CSI 压缩和单边 CSI 预测。

双边 CSI 压缩
观察和分析：
用户感知吞吐量 (UPT) 增益不明显，非 AI 基于 Rel.18 的 CSI 增强似乎具有更大的 UPT 增益潜力。
UCI 有效载减少增益与最近的 Rel.18 非 AI CSI 增强类似。
与非 AI CSI 报告相比，UE 中的计算复杂性增加高达 61 到 4900 倍，具体取决于使用的 AI 模型。
多供应商培训是理论上可行的，但组织和实施所需的行业努力预计很大。
基于上述观察，RAN1 认为没有共识推荐 Rel.19 的 CSI 压缩规范阶段。
互操作性担忧：
引入双边模型可能会严重破坏 3GPP 标准化的互操作性优势和 Uu 接口的开放性。网络需要与大量解码器模型一起训练并实时运行，UE 需要针对不同网络进行训练并能够加载不同的模型。
观察 2：引入双边 AI/ML 模型可能会严重破坏 3GPP 标准化的互操作性优势和 Uu 接口的开放性。
建议：
提案 6：Rel.19 中不进行基于 A/ML 的 CSI 压缩规范工作。
提案 7：如果继续研究双边模型，则研究中应考虑带有标准化推理编码器的解决方案。
单边 CSI 预测
观察和分析：
AI/ML 预测与非 AI/ML 预测的平均 UPT 增益最高为 0.7%~7%，但也有一些观察到性能损失的情况。
非 AI 基于自回归模型在使用的 3GPP 合成信道模型上表现良好，AI 没有太多发挥空间。使用真实数据训练 AI/ML 可能改善预测性能。
由于 CSI 预测是 UE 侧模型，与其他 UE 侧模型用例有很多相似之处，我们支持 Rel.19 规范化 CSI 预测工作。
建议：
提案 8：开始 Rel.19 规范化工作，用于 UE 侧 CSI 预测。
规范影响评估：
RAN1/RAN2 规范影响：UE 侧模型的信令机制，用于促进与模型推理、训练、监控和相关网络报告有关的数据收集。
RAN4 预计需要解决 CSI 预测的测试和要求。
总结：
该文本详细分析了双边 CSI 压缩和单边 CSI 预测的观察和规范影响，并提出了相应的建议。对于双边 CSI 压缩，由于性能增益有限且互操作性存在担忧，建议不纳入 Rel.19 规范阶段。对于单边 CSI 预测，由于其与其他 UE 侧模型用例的相似性以及潜在的性能提升，建议将其纳入 Rel.19 规范工作。

4、Discussion on remaining RAN4 open issues for AI/ML PHY

讨论了 RAN4 中关于 AI/ML 在 PHY 层应用的研究现状和面临的挑战。主要内容包括：
RAN4 与 RAN1 在 AI/ML 研究中的不同角色：
RAN1 侧重于探索 AI/ML 在 PHY 层的潜在收益以及所需的信令和流程 (与 RAN2 合作)。
RAN4 侧重于制定核心需求和一致性测试参数，确保 AI 功能的预期性能和可互操作性。
RAN4 面临的挑战：
确保 AI 算法的预期和可预测性能。
制定合适的 AI 功能需求指标和测试条件。
评估 AI 模型的可泛化能力，即其在不同场景和配置下的适应性。
处理 AI 生命周期管理 (LCM) 相关流程，例如模型激活和监控。
考虑双边 AI 模型带来的互操作性和测试问题。
所需资源：
如果研究所有用例，RAN4 需要大约 3 个时段 (TU) 的研究时间。
详细解读：
AI/ML 在 PHY 层是一个新范式，需要时间才能达成具体的提案。 目前的讨论为后续规范工作奠定了基础。
RAN4 不直接比较 AI 和非 AI 方案的性能，而是假设 AI 方案在某些方面优于非 AI 方案，并制定相关的信令和流程。 目的是确保实际实现中 AI 功能的预期性能和可互操作性。
RAN4 研究的重点在于：
定义每个用例的核心需求指标和描述，作为制定核心需求的基础。
评估 AI 功能在不同场景、信道和配置下的行为，以验证其可泛化能力。
设计测试条件和测试方法，确保对每个用例进行充分的测试和验证。
测试 AI 模型的可泛化范围，并制定相应的要求。
制定与 LCM 相关的需求，例如模型激活和监控。
研究更新或更改模型的方法。
考虑可测试性和参考架构。
定义需求时，RAN4 可能需要根据每个用例进行以下部分或全部工作：
达成参考模型和参数化的一致性。
就训练数据的大致假设达成共识。
找到模拟结果对齐的方法。
进行模拟结果的呈现和一致性验证。
确定适当的实现容限。
双边 AI 模型除了上述的挑战，还存在互操作性和测试的重大问题。 如果继续研究双边 AI，RAN4 需要进一步的思考。
由于 AI/ML 依赖数据驱动，RAN4 需要更多的时间来研究和处理这一新范式。
总而言之，RAN4 在 AI/ML 的研究面临着诸多挑战，需要时间和资源来克服。本文对这些挑战及其解决方案进行了初步探讨，后续的研究还需要 RAN4 各方共同努力。

5、针对 PHY 的 Rel.19 AI/ML 的组织结构

3GPP AI/ML PHY 研究：单边模型，双边模型，和资源分配提案3GPP 中 AI/ML 在 PHY 层应用的研究现状和资源分配建议。主要内容包括：
对双边模型的研究需要更多时间： 由于双边模型在互操作性和测试方面存在较大挑战，需要额外时间进行深入研究。
建议继续研究双边模型： 可以通过在 Rel.19 延续并调整 Rel.18 的 SI (类似 XR 的处理方式) 来实现，但研究范围仅限于双边模型。
资源分配提案：
Rel.19 AI/ML 研究应当分配 3 个时段 (TU) 给 RAN1 的单边模型工作组 (WI)，1 个时段给跨 RAN1、RAN2 和 RAN4 的双边模型 SI。
RAN4 可以考虑在雅典会议上分配少量时段 (0.5 TU) 继续讨论 AI/ML，并在 3 月份正式启动 Rel.19 研究。
详细解读：
目前双边模型的研究遇到了一些问题，例如互操作性和测试的挑战，需要更多时间来解决。
作者建议继续研究双边模型，但将研究范围缩小到 CSI 压缩，并通过延续并调整 Rel.18 的 SI 来开展相关工作。
资源分配方面，作者建议将 Rel.19 AI/ML 研究的时段分配为：3 个时段给 RAN1 的单边模型工作组，1 个时段给跨 RAN1、RAN2 和 RAN4 的双边模型 SI。
考虑到 RAN4 已经开始讨论 AI/ML，且单边模型的工作也需要大量时间和精力，作者建议在雅典会议上分配少量时段 (0.5 TU) 继续讨论 AI/ML 相关话题，以便 RAN4 和其他工作组更好地协调和对齐。
在雅典会议上讨论的议题可以包括：
RAN4 需求覆盖范围的可行性 / 必要性，以及是否需要动态测试。
部署后如何处理 UE 模型的更新/变化。
“传统”作为“基线”的具体含义 (例如，行为是否应该与需求测试点之外的部署场景相媲美)。
RAN4 如何就设置需求的参考模型达成一致。
RAN4 完成需求工作所需的工作概要。
定位用例是否需要针对直接定位制定需求。
如果进一步研究双边 CSI，需要什么样的测试框架。
总而言之，这篇文本提出了继续研究双边模型的建议，并针对 Rel.19 AI/ML 研究的资源分配做出了具体的提案。这些建议旨在促进 3GPP AI/ML PHY 研究的顺利开展，并确保各工作组之间的协调和合作。
5、结论
基于之前讨论的建议：

1. Rel-19 AI/ML 规范化工作范围:
   建议考虑将 UE 侧或 OTT 侧作为 UE 侧模型训练的可行位置。
   避免包含模型转移和基于模型 ID 的 LCM 规范化工作。
2. 定位用例:
   不将 AI/ML 直接定位 (Case 2b 和 3b) 纳入 Rel-19 规范化工作。
   将 Rel-19 定位用例规范化工作限制在 Case 1 和 Case 3a。
3. CSI 压缩:
   不进行基于 A/ML 的 CSI 压缩规范化工作。
   如果继续研究双边模型，应考虑带有标准化推理编码器的解决方案。
4. CSI 预测:
   开始 Rel-19 规范化工作，用于 UE 侧 CSI 预测。
5. 资源分配:
   Rel-19 AI/ML 研究分配 3 个时段给 RAN1 的单边模型工作组，1 个时段给跨 RAN1、RAN2 和 RAN4 的双边模型 SI。
   RAN4 根据用例数量分配最多 3 个时段，考虑在雅典会议上分配 0.5 个时段继续讨论 AI/ML。
   总结:
   这些建议旨在为 Rel-19 AI/ML 研究指明方向，聚焦于可行且互操作的解决方案，并合理分配资源，确保不同工作组之间的协调合作。