3GPP R20新增的AI标准

大概一年前，我们曾经总结了3GPP的38系列AI标准：3GPP中有哪些AI的标准。最近又增加了一个新的：TR38.745，下载链接：

https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=4445

这个标准目前还只是一个提纲，主要是基于AI/ML的新型用例进行研究，即Multiple-hop UE trajectory（多跳用户设备轨迹）、AI/ML assisted Intra-CU LTM（基于AI/ML的CU内L1/L2 Triggered Mobility）及其他切换增强方案。我们从了解基本概念出发，看一下AI所要解决的问题。

01、NG-RAN

首先，题目中的NG-RAN：Next Generation Radio Access Network，下一代无线接入网络，这里的Next Generation就是相对于4G LTE的5G。NG-RAN直白地说就是5G的“天线和基站系统”，它负责所有与手机等终端进行无线通信的工作。如下图所示，NG-RAN包括了一系列的gNB，并且这些gNB通过NG接口连入到5GC（5G核心网）。

整个5G网络可以简化为：

终端设备（UE） ↔ NG-RAN（gNB基站） ↔ 5G核心网（5GC）

gNB 可支持FDD、TDD或双模运行。gNB之间可通过 Xn 接口互联。单个gNB可由一个gNB集中单元（gNB-CU）和一个或多个 gNB 分布单元（gNB-DU）组成，gNB-CU 与 gNB-DU 通过 F1 接口连接。一个 gNB-DU 仅连接至一个 gNB-CU。

其中，

Xn 接口，是5G NR网络中gNB之间的标准化互联接口，用于支持小区切换、资源协同、负载均衡等功能；

gNB-CU：gNB Centralized Unit，gNB集中单元，负责高层协议处理、资源调度、会话管理等集中式功能；

gNB-DU：gNB Distributed Unit，gNB分布单元，负责基带信号处理、射频传输、用户面数据转发等分布式功能；

F1 interface：F1 接口是gNB分离架构（CU/DU 拆分）中CU与DU之间的标准化接口，用于传输控制面信令和用户面数据。

然后是phase 3，是基于phase 2（引入智能）的基础上实现更高的智能化及全域协同。

02、Multiple-hop UE trajectory

Multiple-hop：多跳的概念，是无线网络中的一个基本思想，广泛地应用于各种系统，例如蓝牙、Wi-Fi，无人机等，但不同的系统具体的部署和应用场景有所不同。下图是利用无人机的多跳来实现应急情况下的损坏基站的通信盲区覆盖：一群无人机作为移动的中继节点，形成一个临时的、多跳的无线网络，将分散的用户设备与远处仍正常工作的固定基站连接起来，从而接入核心网络。

在5G Rel-18中，基于小区的用户设备（UE）轨迹预测仅限于第一跳（The First-hop）目标NG-RAN节点，即具体的、即将发生的切换动作的目标。它特指UE在下一次切换中将要连接的那个NG-RAN节点，在5G NR中，通常就是指gNB。它关注的是“下一个”动作，是短期内的决策结果。只指明一个目标节点，即“第一跳”。这是切换算法基于当前测量报告（如RSRP、RSRQ）直接计算出的结果。是传统切换流程的核心，即网络根据UE上报的邻区测量信息，选择一个信号质量最好的小区所属的gNB作为切换目标，并立即执行切换流程。

而Rel-20中的跨gNB的多跳预测UE轨迹（Multiple-hop UE trajectory），则由UE预计将接入的、分属一个或多个gNB的小区列表构成，且这些小区按时间顺序排列。Multi-hop UE Trajectory 是一个预测性的、跨多个基站的用户设备移动路径。它不仅仅关注UE当前或即将连接的下一个基站，而是尝试预测其在未来一段时间内将经过的一系列蜂窝小区。它不是对过去路径的记录，而是基于UE当前的移动速度、方向、历史轨迹、网络拓扑等信息，对其未来路径进行预估。

多跳性就体现在它包含了一个按时间顺序排列的小区列表。这个列表中的小区可能属于同一个gNB，也可能属于多个不同的gNB。这个轨迹通常会跨越多个gNB的覆盖范围。轨迹的基本单位是“小区”，而不是“gNB节点”。一个gNB可以管理多个小区。

在网络中，提前知道UE的移动轨迹，可以极大地优化网络性能，例如：无缝切换： 网络可以提前为UE在未来将要经过的小区预留资源，确保切换过程几乎无中断。负载均衡： 如果预测到UE将进入一个高负载小区，网络可以提前进行负载均衡的决策和准备。服务连续性： 对于需要稳定连接的服务（如自动驾驶、VR/AR），提前的资源准备和路径管理至关重要。

因此，Multi-hop UE Trajectory 就像是在导航软件上规划的整个行车路线。比如“先上A高速，然后在B出口下高速，接着走C大道，最后到达目的地D。” 它是一个完整的、预测性的路径规划。The First-hop Target NG-RAN Node 就像是这个行车路线中的下一个转弯或出口。它只告诉你：“请在500米后，向右转入XX路。” 是一个具体的、即将执行的指令。

标准中给出以下解决方案来支持多跳UE轨迹：

AI/ML模型训练位于OAM中，而AI/ML模型推理位于gNB中。AI/ML模型训练和AI/ML模型推理均位于gNB中。

在CU-DU分离架构的情况下，以下解决方案是可行的：

AI/ML模型训练位于OAM中，而AI/ML模型推理位于gNB-CU中。AI/ML模型训练和模型推理均位于gNB-CU中。

总结上述方案如下流程图所示：

03、AI/ML assisted Intra-CU LTM

先来看一下LTM的概念：

LTM：L1/L2 Triggered Mobility 层1/层2触发的移动性

LTM是一种流程，在此流程中，gNB从UE接收L1或L3测量报告，并基于这些报告，gNB可能通过经由MAC CE信令发送的小区切换命令来更改UE的服务小区。该小区切换命令指示gNB先通过RRC信令准备并提供给UE的LTM候选配置。随后，UE根据小区切换命令切换到目标配置。

那么在L1/L2触发的移动性中，核心目标就是极致地降低切换延迟。以下是具体原因：

传统L3切换：使用 RRC信令。流程是：测量报告 -> gNB处理 -> gNB向目标小区申请资源 -> gNB通过RRC连接重配置消息下发切换命令 -> UE执行。这个过程需要几十到几百毫秒。

LTM切换：使用 MAC CE。流程是：测量报告 -> gNB处理 -> gNB通过MAC CE直接下发小区切换命令 -> UE执行。因为绕过了RRC层的打包、加密等过程，延迟可以降低到10毫秒以内。

当由网络配置时，可以激活与当前服务小区不同的一个或多个小区的TCI（Transmission Configuration Indication，传输配置指示）状态。例如，可以在LTM候选小区中的任何一个成为服务小区之前，提前激活这些小区的TCI状态。这使得UE能够与这些小区进行下行同步，从而在触发小区切换时，促进更快地切换到这些小区之一。在执行LTM小区切换时，除小区切换命令中接收到的TCI状态外，所有已激活的TCI状态均被去激活。

Intra-CU又分为Intra-gNB-DU和Inter-gNB-DU：

conditional的intra-CU LTM（Intra-gNB-DU）的流程如下：

conditional的intra-CU LTM（Inter-gNB-DU）的流程如下：

使用AI/ML可用于优化CU内层1/层2触发的移动性（Intra-CU LTM）流程，例如提升网络与UE性能、优化资源分配并降低移动性故障发生率。标准中给出了一些参考方案：

AI/ML模型训练与推理的部署位置：

对于 CU-DU 分离架构，可采用以下方案：

AI/ML模型训练部署于操作、管理与维护（OAM）侧，模型推理部署于gNB-CU侧；AI/ML模型训练与推理均部署于gNB-CU侧。

基于AI/ML的CU内LTM（Intra-CU LTM）输入数据：TBD基于AI/ML的CU内LTM（Intra-CU LTM）输出数据

针对 CU 内LTM的人工智能 / 机器学习（AI/ML）优化，以下信息可作为输出数据：用于LTM切换准备（LTM HO Preparation）的候选小区与波束。