【学习笔记】3GPP标准研究 AI/ML算法应用于5G移动性

【转载自公众号 5G6G网络与协议】

AI/ML算法与机制应用于5G移动性的相关信息。这方面的总结提案收录在TSG RAN meeting#102中的RP-234055：
 

这个WI目标release是R19。

研究背景：

对于现有的L3切换机制，切换是根据报告的历史测量结果和（或）测量事件触发和执行的，即本质上是一种反馈方案，即根据历史测量结果来触发切换。当UE的移动性对于现有服务较低时，它可能在宏小区之间工作良好。但是，当UE的移动性很高或在高密度的微型小区之间或两者对于现有服务或未来服务（例如 XR）时，它可能会出现问题，其中这种反馈方案可能会导致更多意外事件，例如切换失败、无线链路失败、乒乓现象、吞吐量损失或过早/过晚切换等。为了提高切换稳健性，在R16中引入了条件切换（Conditional HO）。为了减少小型小区之间频繁切换的中断时间，在 R18中引入了LTM HO。然而，这两种机制还不够，因为它们在设计上仍然是反馈类型的方案。基于AI/ML算法的机制有可能实现主动方案。
在R18 SID中，对物理层中心用例（包括空间和时间波束预测）进行了广泛研究，该用例称为FS_NR_AIML_air。服务小区内的时间预测主要是为了在时间域中预测最佳或前K个波束或波束对，以提高UE吞吐量。而通过测量一组较小的波束来预测一组波束中的最佳或前K个波束或波束对可以帮助减少RS信令开销、测量工作量和UE功耗等。通过将L1波束测量从服务小区扩展到相邻小区，RAN1工作组的大部分工作可以重新用于LTM HO研究等。由于L3测量基于L1测量的过滤，因此空口AI/ML研究可用于移动性目的，例如，时间预测也可用于预测波束/小区变差，从而可以避免无线链路故障或短暂停留切换等意外事件。
在R17的RAN3中，移动性增强也已在SID FS_NR_ENDC_data_collect中进行了研究，现在已在R18 WID NR_AIML_NGRAN-Core 中进行了指定。在这些RAN3项目中，移动性增强的研究和规范工作基于网络侧可用的信息，例如小区之间的切换和历史停留时间，以预测UE在单跳中的轨迹，从而预测潜在候选小区。在R19 中，RAN3将进一步研究UE在多跳中的轨迹。预测的UE轨迹在一定程度上有助于研究空中接口上的AI/ML移动性。
根据RAN1和RAN3迄今为止取得的进展以及对UE轨迹的假设，可以预测RRM测量和/或事件，从而预测UE侧的候选目标小区。在网络侧，如果需要，新的辅助信息和基于来自UE和/或邻近节点的测量报告的统计信息也可用于智能预测。如果网络可以获知一些预测信息，则可以通过主动措施来改善切换和/或RRM性能，以做出更好的决策或避免意外事件。

涉及的研究目标如下：

本研究将重点关注通过遵循现有移动性框架，通过空中接口增强 RRC_CONNECTED模式下的移动性，即始终在网络端做出切换决策。移动性用例侧重于独立NR PCell变更。UE端和网络端的AI/ML模型都可以分别考虑。
研究和评估AI/ML辅助移动性对网络触发的基于L3的切换的潜在好处和收益，考虑以下方面：

1. 基于AI/ML的RRM测量和事件预测，
    1.1 包括频率内和频率间在内的小区级测量预测（UE侧和网络侧模型）[RAN2负责]。包括L3移动性的小区间波束级测量预测（UE侧和网络侧模型）[RAN2负责]
    1.2 HO故障失败/RLF预测（UE侧模型）[RAN2负责]
    1.3 测量事件预测（UE侧模型）[RAN2负责]

2. 研究网络侧模型对任何其他UE辅助信息的需求/好处 [RAN2负责]

3. 对AI/ML辅助移动性好处的评估应考虑HO性能KPI（例如，乒乓HO、HOF/RLF、停留时间、切换中断、预测准确性和测量减少等）和复杂性权衡 [RAN2]。这里需要注意的是：模拟假设和方法可以利用TR 38.901、38.843和36.839内容。并将详细讨论留给RAN2

4. 潜在的AI移动性特定增强应基于R19 AI/ML-空中接口WID通用框架（例如 LCM、性能监控等）[RAN2]。这里需要注意的是：只有在R19 AI/ML空中接口WID取得足够进展后才会处理此问题

5. AI/ML辅助移动性的潜在规范影响 [RAN2]

6. 评估可测试性、互操作性以及对 RRM 要求和性能的影响 [RAN4]，这里需要注意的点：
    注意 1：RAN1/3工作可以通过LS触发
    注意 2：RAN4范围/工作可以在一些RAN2讨论后由 RAN#105 定义和确认（在RAN4预分配的TU内）
    注意 3：为避免与 RAN3 领导的“NG-RAN 的 AI/ML”重复研究
    注意 4：不包括双面模型