3GPP RAN TSG#102闭幕及R19启动项目-28 ​RAN2 AI/ML 在 Rel-19 中实现移动性

RAN2 AI/ML for Mobility in Rel-19 主体提案编号：RP-233801

一、文档摘要（AI生成）

该文档讨论了在 3GPP TSG RAN 第 102 次会议背景下，将人工智能/机器学习 (AI/ML) 用于移动性的问题。本文档的主要观点和论点如下：

• 概述了 Rel-18 中的 AI/ML 讨论，并介绍了对 Rel-19 RAN2 主导的 AI/ML 移动性的观点。

• 讨论了用户设备 (UE)、网络 (NW) 和双边模型的 AI/ML 架构和通用功能映射。

• 提出将现有 UE 功能框架重新用作报告 UE 支持的 AI/ML 特性的基线。

• 从 UE 和 NW 的角度探索用于模型训练和推理的不同数据收集框架，包括 L1/L3 测量报告、即时和记录的 MDT、UAI 和 LPP。

• 研究了模型转移/交付解决方案的可行性和优势，以及用于生命周期管理 (LCM) 控制和管理的初始信令。

• 引入了新的 AI/ML 辅助移动性，旨在提高网络性能和鲁棒性，提高频谱效率，优化切换、故障处理以及波束和小区预测。

• 提议调查基于 AI/ML 的移动性对评估和规范的影响，重点是优化切换、改进故障处理以及增强波束和小区预测。

• 基于 AI/ML 的移动性引进的改进预计会减少对频繁测量和相关开销的需求，从而显着提高测量效率。

• 本文档总结了 Rel-18 AI/ML 架构作为 Rel-19 AI/ML 移动性的基础，并概述了 Rel-19 的前景，包括评估 LCM 控制和管理信令，研究数据收集框架增强，以及调查使用 AI/ML 该用例的好处。

关键点：

• UE、网络和双边模型的 AI/ML 架构和功能映射

• 重新利用现有 UE 功能框架报告支持的 AI/ML 功能

• 评估用于模型训练和推理的数据收集框架

• 模型转移/交付解决方案的可行性和优势

• 新的 AI/ML 辅助移动性，旨在提高网络性能和频谱效率

• 调查对切换、故障处理以及波束和小区预测的影响

• 通过基于 AI/ML 的移动性减少测量开销

• Rel-18 AI/ML 架构作为 Rel-19 AI/ML 移动性的基础

• Rel-19 的前景，包括 LCM 控制和管理、数据收集框架增强以及使用 AI/ML 的好处。

二、RAN2 AI/ML 在 Rel-18 中的讨论

人工智能/机器学习架构和概述

讨论了用户设备 (UE)、网络 (NW) 和双边模型的人工智能/机器学习 (AI/ML) 功能到物理实体的映射。

• 将现有 UE 功能框架作为基线，用于报告 UE 支持的 AI/ML 功能或功能组。

• 讨论了适用条件报告。

数据收集

关于增强数据收集框架的初步原则。

• 从用户设备和网络的角度评估了用于模型训练/推理的不同数据收集框架。

• 包括 L1/L3 测量报告、即时和记录的 MDT、UAI 和 LPP。

控制和生命周期管理 (LCM) 其他

研究模型转移/交付解决方案的可行性和益处。

• 用于生命周期管理控制和管理的初始信令。

三、关于 Rel-19 RAN2 主导的人工智能/移动语言移动性的观点

新的 SI：用于移动性的 AI/ML 辅助，目标如下：

• 提升网络性能和鲁棒性

• 提高频谱效率

子案例：

• 基于 AI/ML 的目标小区预测

• 基于 AI/ML 的预测性 RRM（无线电资源管理）

• 基于 AI/ML 的切换参数调整

场景：FR1、FR2、高移动性、密集部署

解释说明：

这份文档提出了一种新的系统信息 (SI)，即利用人工智能和机器学习 (AI/ML) 来辅助移动性，旨在提升网络性能、鲁棒性和频谱效率。它描述了三个子案例，每个子案例都利用 AI/ML 技术来优化特定的方面：

• 基于 AI/ML 的目标小区预测： 这个子案例使用 AI/ML 来预测用户设备 (UE) 将连接到的下一个小区。这可以帮助网络提前做好准备，为 UE 提供更流畅的切换体验，并减少切换失败的可能性。

• 基于 AI/ML 的预测性 RRM： 这个子案例使用 AI/ML 来预测网络流量和用户行为，并相应地调整网络资源分配。这可以帮助网络更有效地利用资源，并避免网络拥塞。

• 基于 AI/ML 的切换参数调整： 这个子案例使用 AI/ML 来优化切换参数，例如切换时序和切换门限。这可以帮助网络实现更快的切换，并减少切换过程中的数据丢失。

这些子案例可以在各种场景中应用，包括频段 1 (FR1)、频段 2 (FR2)、高移动性场景和密集部署场景。通过利用 AI/ML 技术，我们可以显著提高网络性能、鲁棒性和频谱效率，从而为用户提供更好的移动体验。

建议：针对基于 AI/ML 的移动性，我们重点调查以下方面的评估和规范影响：

优化切换：

• 通过基于实时数据和预测分析优化参数，提高通信网络或设备之间无缝切换的效率和性能。

故障处理改进：

• 实施 AI/ML 算法来识别和响应切换期间的潜在中断，最小化服务中断以提高可靠性。

波束和小区预测：

• 在切换中整合 AI/ML 模型和功能，以预测最佳波束成形配置和小区选择，从而提高无缝移动的效率和可靠性。

由于基于 AI/ML 的移动性引入的进步，频繁测量需求和相关开销减少，测量效率可能会得到显著提升。

简述：

这份建议重点关注基于 AI/ML 的移动性对评估和规范的三个主要影响方面：

1. 优化切换： 通过使用 AI/ML 优化切换参数，可以显著提升切换效率和性能，从而改善用户体验。

2. 故障处理改进：AI/ML 算法可以识别和应对切换过程中的潜在问题，从而减少服务中断和提高可靠性。

3. 波束和小区预测： 利用 AI/ML 技术预测最佳波束和小区，可以进一步提升切换效率和可靠性。

此外，AI/ML 技术还可以通过减少对频繁测量的需求来提高测量效率，从而降低网络运营成本。

四、结论

基于 Rel-18 的 Rel-19 人工智能/机器学习移动性展望

文档概述了 Rel-19 人工智能/机器学习 (AI/ML) 移动性的愿景，并将其与 Rel-18 的基础进行了比较。

关键点：

• Rel-18 架构作为基础： Rel-18 中定义的 AI/ML 架构将作为 Rel-19 AI/ML 移动性的基础。例如，它将用于报告用户设备 (UE) 支持的 AI/ML 功能或功能组。

• Rel-19 展望：

• 评估生命周期管理 (LCM) 控制和管理信令： 这将涉及评估用于控制和管理 AI/ML 模型生命周期的信令机制。

• 研究数据收集框架增强原则： 这将涉及研究如何改进用于收集和使用 AI/ML 模型训练数据的框架。

• 调查使用 AI/ML 的潜在好处： 这将涉及评估在移动性场景中使用 AI/ML 的潜在优势和劣势。

• 支持 RAN2 主导的 AI/ML 移动性： 该文档表达了对 RAN2 工作组主导的 Rel-19 AI/ML 移动性研究的支持。

解释说明：

Rel-18 已经为 NR 空口定义了基本的 AI/ML 架构。Rel-19 计划在该基础上进一步发展，使其能够用于移动性场景。具体而言，Rel-19 将关注以下几个方面：

• 如何控制和管理用于训练和部署 AI/ML 模型的流程

• 如何改进用于收集和使用训练数据的框架

• 在移动性场景中使用 AI/ML 的潜在益处

• 与 RAN2 工作组合作，推进 Rel-19 的 AI/ML 移动性研究

通过研究这些方面，Rel-19 将能够开发出支持 AI/ML 的移动性解决方案，从而改善网络性能、用户体验和效率。