3GPP RAN TSG#102闭幕及R19启动项目-26 ​Rel-19 基于 AI/ML 的移动性增强研究

Study on AI/ML based Mobility Enhancement in Release 19主体提案编号：RP-232758

一、文档摘要（AI生成）

题为《基于AI/ML的移动性研究》的文件讨论了移动网络中现有切换机制的局限性，并提出了利用基于人工智能（AI）和机器学习（ML）的增强功能来克服这些限制。该文件的主要要点和关键论点如下：

• 现有的切换机制（基本切换、CHO、LTM）在正常移动情景下表现良好，但在FR2和高移动性等情况下存在限制。

• 现有的切换决策基于历史测量和不准确的RRM测量，可能影响良好的切换决策。

• 当前的故障处理方法侧重于快速恢复，但是是被动的，不能消除由故障事件引起的中断或糟糕的服务。

• 研究人员提出了基于AI/ML的切换优化增强，包括候选/目标小区预测、切换参数调整和意外事件的预测。

• 该研究旨在调查在FR3频段背景下基于AI/ML的移动性增强的可行性。

• 基于AI/ML的移动性增强的用例包括群组切换、目标/候选小区预测、负载平衡、感知干扰的RRM和切换参数调整。

• 提出的增强旨在提高可靠性、减少中断时间和过程延迟、最小化信令开销，以及在移动过程中最小化数据速率的影响。

• 用于性能比较的关键性能指标（KPI）包括智能交通网络中的预测移动性。

• 该文件通过提出对基于AI/ML的移动性增强的进一步讨论和研究，包括切换决策优化、RRM测量预测、群组切换以及对所提增强性能的评估来做出结论。

关键要点：

• 现有的切换机制在某些情景下存在限制。

• 切换决策基于历史测量，可能不准确。

• 基于AI/ML的增强可以优化切换决策并提高可靠性。

• 提出的增强包括候选/目标预测、负载平衡和感知干扰的RRM。

• 在FR3频段中进行基于AI/ML的移动性增强的可行性研究。

• 用例包括群组切换和智能交通网络中的预测移动性。

• 提出的增强旨在减少中断时间、过程延迟和信令开销。

• 将使用KPI对比基于AI/ML的增强与现有方法的性能。

二、背景动机

移动性引发了切换机制。现有的切换机制（包括Rel-18特性）可以作为一个起点：

• Rel-15: 基本切换

• Rel-16: 选择性切换（CHO）

• Rel-18: LTM（L1/L2触发的移动性）

局限性：它们在正常移动情景中表现良好，但在一些情景下，如FR2、高移动性等，性能受到限制。现有的切换机制在设计上是被动的 现有的决策基于历史测量和有时不准确的RRM测量和/或UE位置，可能影响良好的切换决策 复杂性、测量工作量和信令开销可能较高 由于移动性，可能发生RFL、波束失败和HOF，目前的故障处理方法侧重于快速恢复，它们是被动的，不能消除由故障事件引起的中断或糟糕的服务。

所有这些与移动性相关的限制导致研究人员致力于基于人工智能/机器学习的移动性增强。

三、增强切换

有鉴于此，研究项目可旨在调查基于人工智能/移动语言的移动性的潜在改进措施及相应的可行性。

吞吐量优化：

• 候选/目标小区预测 (L3 移动)： 用于 L3 层移动性管理的预判候选或目标小区，以便提前准备切换。

• 候选/目标波束(s) 和小区(s) 预测 (LTM)： 用于 LTM 层移动性管理的预判候选或目标波束(s) 和小区(s)，以便在高频移动场景中进行切换。

• 切换参数调整/微调： 优化切换参数设置，例如切换触发门限和重选定时器，以提高切换性能和效率。

• 意外事件预测，例如切换失败/掉话预测、乒乓切换和短停留切换预测：预测切换失败、掉话、频繁切换和短停留切换等问题，并采取预防措施。

无线资源管理测量预测：

• 波束级测量预测： 预测特定波束的信道质量和网络参数，用于优化波束选择和资源分配。

• 小区级测量预测： 预测特定小区的信道质量和网络参数，用于优化小区选择和资源分配。例如，利用同频测量结果预测异频/异制式小区的 RRM 测量值。

频段：FR3 及其切换机制可行性研究

基于 AI/ML 的移动性研究的图示

移动网络中的切换机制，即当用户设备（UE）从一个小区或波束切换到另一个小区或波束时，保持连接的过程。您提到了两种切换机制：L3 层移动性和 L1/L2 触发移动性（LTM）。您还提到了使用人工智能/机器学习（AI/ML）的方法来优化切换决策和性能，例如预测目标小区或波束、切换参数、意外事件和无线资源管理（RRM）测量。您的研究目标是在 FR3 频段中探索基于 AI/ML 的移动性增强的可行性。

UE、gNB 和 AMF 分别表示用户设备、下一代无线接入网络节点和接入和移动性管理功能。它们之间通过空中接口和 NG 接口进行通信。每个实体都有一个 AI/ML 模型，可以根据数据进行训练和推理，以实现移动性增强。AI/ML 模型可以通过 LCM 框架在实体之间传输和更新。图中的箭头表示数据和信令的流动方向。

四、使用案例和性能评估

4.1、预测性移动

（1）智能交通网络：

• 涵盖例如：铁路、固定源到目的地路线（例如：家、办公室等）。

（2）群组切换（适用于具有相同移动特性的 UE），例如：同列车上从相同出发点到相同目的地的一组乘客。

（3）AI/ML 可用于以下方面：

• 基于 AI/ML 的目标/候选小区/波束预测：提前预测 UE 最佳连接小区/波束，优化网络资源分配。

• 基于 AI/ML 的目标小区负载均衡，提高服务质量：通过 AI/ML 分析实时流量，动态调整小区负载，避免拥塞，提升 UE 使用体验。

• 基于 AI/ML 的干扰感知射频资源管理 (RRM) 和同步程序：利用 AI/ML 分析干扰情况，优化基站信号强度 (RSRP)、接收信号干扰比 (SINR) 和同步，减少干扰，提升网络性能。

• 基于 AI/ML 的切换参数调整：自动调整切换触发时间、决策指标等参数，实现更平滑、更及时的切换，避免掉话，保持通信连续性。

****4.2、预测性移动用于绩效比较的关键绩效指标：

可靠性/稳健性

o 减少中断时间

o 减少程序延迟（例如：在所有目标 BS 中使用同一套 RRM 资源和波束）

o 减少信号开销

o 尽量减少移动程序期间对数据速率的影响

预测性移动的系统架构

UE、gNB 和 AMF 分别表示用户设备、下一代无线接入网络节点和接入和移动性管理功能。它们之间通过空中接口和 NG 接口进行通信。每个实体都有一个 AI/ML 模型，可以根据数据进行训练和推理，以实现预测性移动。AI/ML 模型可以通过 LCM 框架在实体之间传输和更新。图中的箭头表示数据和信令的流动方向。

预测性移动的绩效评估

KPI 表示用于绩效比较的关键绩效指标，包括可靠性、中断时间、程序延迟、信令开销和数据速率等。每个实体都可以根据自己的 AI/ML 模型和数据计算 KPI，并与其他实体进行比较。图中的箭头表示 KPI 的计算和比较方向。

**五、总结**

建议考虑进一步讨论以下问题：

建议 1：研究和调查基于 AI/ML 的移动性的潜在增强功能，涉及 HO 决策优化和 RRM 测量预测与 FR3 波段的关系。

建议 2：研究和评估智能交通网络中预测性移动的性能。

建议 3：研究和调查建立 HO 的人工智能 ML 模型。

建议 4：评估基于人工智能 ML 的移动性增强的关键绩效指标性能，并与现有方法进行比较。