6G에서 AI 네이티브 모빌리티 구현을 위한 핸드오버, 빔 관리 및 타이밍 어드밴스 실측 데이터셋

사용자 장비(UE)의 이동성 문제, 특히 고속 5G 사용 사례에서의 높은 단절 시간과 측정 보고 오버헤드를 해결하기 위해 AI/ML 기술(AI/ML 빔 관리 및 모빌리티 절차)이 제안되어 왔습니다. 이러한 기술들은 다양한 시나리오를 위해 가장 자주 시뮬레이션된 데이터에 크게 의존하며, 실제 배포 동작이나 사용자 트래픽 패턴을 정확하게 반영하지 못합니다. 따라서 다양한 조건에서 현실적인 데이터셋에 대한 필요성이 매우 큽니다. 본 연구는 다양한 이동 모드(보행자, 자전거, 차량, 버스, 열차)와 여러 속도에서 상용으로 배포된 네트워크에서 수집한 데이터셋을 제시하며, 이를 통해 실시간 UE 이동성을 표현합니다. 데이터셋을 수집할 때, 우리는 주로 핸드오버(HO) 시나리오에 초점을 맞추어 HO 단절 시간을 줄이고 HO 실행 중 및 직후에도 지속적인 처리량을 유지하는 것을 목표로 했습니다. 이러한 연구를 지원하기 위해, 이 데이터셋에는 RACH 트리거, MAC CE, PDCCH 그랜트와 같은 다양한 신호 발생 이벤트에서 타이밍 어드밴스(TA) 측정값이 포함되어 있는데, 이는 기존 연구에서는 일반적으로 누락되는 부분입니다. 우리는 데이터셋 생성에 대한 상세한 설명; 실험 설정, 데이터 획득 및 추출을 다룹니다. 또한 이동성, 빔 관리 및 TA에 중점을 둔 데이터 탐색 분석도 수행합니다. 마지막으로 제안된 데이터셋이 AI/ML 모델의 추론 이해를 촉진할 수 있는 여러 사용 사례에 대해 논의합니다.

그러한 사용 사례 중 하나는 전송(TA) 예측을 위한 다양한 AI/ML 모델을 훈련하고 평가하는 것입니다.