2025년 2월 3일
5G NR (New Radio)의 AI/ML 기술
1. 5G NR의 AI/ML 기술 적용 필요성 및 유스케이스
![]() |
2. 5G NR(New Radio)의 AI/ML 프레임워크
(1) 5G NR의 AI/ML 프레임워크 구성도/동작 과정
![]() |
(2) AI/ML 프레임워크 구성요소
구분 | 구성요소 | 역할 |
---|---|---|
추론 및 학습 기능 | 추론 기능 (Inference) | – 추론 데이터 기반 추론 동작의 출력 제공 – 데이터 전처리/정리, 서식 지정 및 변환 |
관리 기능 (Management) | – AI/ML 모델이나 기능 선택, 활성화 여부 – 피드백, 각종 요청 등 추론 작업 동작 지원 | |
모델 학습 기능 (Model Training) | – AI/ML 모델 학습, 시험과 검증 시행 – AI/ML 모델 시험 위한 메트릭 생성 | |
지원 기능 | 데이터 수집 기능 (Data Collection) | – 모델 학습, 추론 등에 필요한 데이터 제공 – 학습 데이터, 모니터링 데이터, 추론 데이터 |
모델 저장 기능 (Model Storage) | – 추론 기능 수행에 필요한 AI/ML 모델 저장 – AI/ML 모델을 추론 기능에 전달 |
- UE 또는 네트워크에서 AI/ML 모델의 수명 주기는 기능 또는 모델 ID 기반 LCM(Life Cycle Management) 방식으로 관리
3. 5G NR의 AI/ML 기반 CSI 피드백 및 빔 관리
(1) 공간 주파수 영역 CSI 압축을 통한 피드백 유형
유형 | 개념도 | 학습 방법 |
---|---|---|
단일측 협력 학습 | ![]() | – UE 또는 네트워크 단일 측에서 양측 모델의 협력 학습 |
양측 협력 학습 | ![]() | – 네트워크 측과 UE 측에서 각자 양측 모델을 협력 학습 |
양측 개별 학습 | ![]() | – 네트워크와 UE 측에서 각각 학습하고, 학습 데이터셋 전달 후 UE 측 CSI 생성 부분과 NW 측 CSI 재구성 부분을 각각 학습 |
- CSI(Channel Status Information)는 UE(User Equipment)와 gNB(next generation Node B)의 채널 상태 정보이며, AI/ML 기반 CSI 피드백 향상을 통해 오버헤드 감소 및 정확도 향상
- UE측 모델을 이용하여 시간 영역 CSI 예측하여 MU-MIMO의 채널 에이징 문제를 해결
(2) 5G NR의 AI/ML 기반 빔 관리 유형
구분 | 빔 관리 유형 | 메커니즘 |
---|---|---|
빔 탐색 및 결정 | 빔 스위핑 (beam sweeping) | – 기지국이 여러 방향으로 빔 전송, UE는 수신한 빔 중 신호 강도가 가장 강한 빔을 선택 |
빔 결정 (beam determination) | – 빔 스위핑하여 네트워크와 UE가 가장 적합한 빔을 결정하고 이후의 통신에서 사용 | |
최적 상태 유지 | 빔 스위칭 (beam switching) | – UE 이동 또는 환경 변화 시 기존의 빔이 최적이 아니면 새로운 최적의 빔으로 대체 |
빔 트래킹 (beam tracking) | – 단말기 이동 시 채널 상태 변화를 실시간으로 추적하여 최적의 빔 상태 및 신호 강도 유지 |
- 빔 관리 사용 시 신호 품질 개선, 다른 사용자/셀 간섭 감소, 최적 신호 경로를 유지하여 안정적인 고속 데이터 전송 가능
4. 5G NR의 AI/ML 기반 측위 정확도 향상 방식
(1) 일반적인 5G NR의 측위 방식
구분 | 측위 방식 | 측위 동작 설명 |
---|---|---|
시간 기반 측위 방식 | Multi-RTT (Round Trip Time) | – 다수의 gNB와의 신호 왕복 시간을 측정하여 UE의 위치를 삼각측량 방식으로 계산 |
DL-TDOA (Downlink-Time Difference of Arrival) | – 다수의 gNB에서 동일한 신호를 보내고, UE에서 신호 도착 시간 차이를 측정하여 위치를 추정 | |
UL-TDOA (Uplink-Time Difference of Arrival) | – UE에서 다수의 gNB로 신호를 보낸 후 gNB에서 신호 도착 시간 차이를 측정하여 위치를 추정 | |
각도 기반 측위 방식 | DL-AOA (Downlink-Angle of Arrival) | – 신호 도착 각도를 측정하여 UE의 위치를 추정 |
UL-AOA (Uplink-Angle of Arrival) | – UE에서 보낸 신호의 도착 각도를 측정하여 위치를 추정 |
- 장애물, 실내 등 NLOS(Non-Line of Sight) 환경에서는 정확도를 보장하기 어려우므로 측위 정확도를 높이기 위해 AI/ML 기반 측위 사용
(2) 5G NR의 AI/ML 기반 측위 정확도 향상 방식
방식 | 메커니즘 | 사례 |
---|---|---|
직접 AI/ML 측위 방식 | – 채널 임펄스 응답 등 채널 관찰을 AI/ML 모델에 입력으로 사용하고, AI/ML 모델을 통해 UE의 위치를 추론 (핑거 프린팅 기반 측위) | – LMF 모델 사용 UE 지원/LMF 측위 – LMF 모델 사용 NG-RAN 노드 지원 |
AI/ML 지원 측위 방식 | – LOS/NLOS 식별, 타이밍, 측정 각도, 측정 가능성을 입력 값으로 사용하여 AI/ML 모델을 통해 새로운 측정 또는 측정 개선 위한 중간 측정 통계 추론 | – UE 모델 사용 UE 지원/LMF 측위 – gNB 모델 사용 NG-RAN 노드 지원 |
- UE, LMF(Location Management Function) 및 gNB의 역할에 따라 AI/ML 기반 측위 정확도 향상 방식을 사용
[참고]
- 정보통신기획평가원(IIT), 5G New Radio의 AI/ML 기술, 2024