Puntos Técnicos Clave del Grupo de Radio 5G RAN1 en R18

3GPP Release 18 es la primera 5G-Advanced versión, centrada en la integración de IA/ML, el rendimiento definitivo en XR/IoT industrial, IAB móvil, posicionamiento mejorado y eficiencia espectral de hasta 71 GHz. RAN1 promueve aún más las mejoras de IA/ML en la optimización de RAN e inteligencia artificial (PHY/IA) a través de la evolución de la capa física.

I. Características clave de RAN1 (Capa física e innovaciones de IA/Aprendizaje automático)

1.1 Evolución MIMO: Enlace ascendente multipanel (Nivel 8), MU-MIMO con hasta 24 puertos DMRS, marco TCI multi-TRP.

• Principio de funcionamiento: Extiende la notificación CSI de Tipo I/II a través de un marco TCI unificado en múltiples paneles TRP. El gNB programa hasta 24 puertos DMRS para MU-MIMO (12 en Rel-17), lo que permite a cada UE usar enlaces UL de Nivel 8; DCI indica el estado TCI conjunto; UE aplica fase/precodificación en todos los paneles.
• Progreso: La falta de señalización unificada en el multi-TRP de Rel-17 resultó en una pérdida del 20-30% de eficiencia espectral en implementaciones densas; las restricciones de nivel limitaron el rendimiento UL de cada UE a las capas 4-6, logrando así un aumento del 40% en la capacidad de enlace ascendente (UL) para estadios/festivales de música.

1.2 Aplicaciones de IA/ML para la compresión de retroalimentación CSI, la gestión de haces y el posicionamiento.

• Principio de funcionamiento: La red neuronal utiliza un codebook entrenado fuera de línea para comprimir CSI de Tipo II (32 puertos → 8 coeficientes). El gNB implementa el modelo a través de RRC; la UE informa la retroalimentación comprimida. La predicción de haces utiliza el modo L1-RSRP para pre-posicionar los haces antes del traspaso.
• Progreso del proyecto: La sobrecarga de CSI consumió el 15-20% de los recursos DL; en escenarios de alta movilidad (por ejemplo, autopistas), las tasas de fallas en la gestión de haces alcanzaron hasta el 25%.
• Resultados de la mejora: La sobrecarga de información de estado del canal (CSI) se redujo en un 50%, la tasa de éxito del traspaso mejoró en un 30%.

1.3 Cobertura mejorada (Transmisión de potencia total de enlace ascendente, señal de activación de baja potencia).

• Principio de funcionamiento: El gNB envía una señal a la UE, lo que le permite aplicar una salida de potencia total en todas las capas de enlace ascendente (sin retroceso de potencia por niveles). Un receptor de activación de baja potencia independiente (ciclo de trabajo controlado, sensibilidad -110dBm) recibe la señal de activación (WUS) antes del ciclo de recepción principal. El WUS lleva 1 bit de información de indicación (monitoreo PDCCH o suspensión).
• Progreso del proyecto: La cobertura de enlace ascendente de Rel-17 está limitada por el retroceso de potencia por niveles (pérdida MIMO de 4º orden de 3dB); el receptor principal consume el 50% de la energía de la UE durante el monitoreo DRX.
• Mejoras: La cobertura de enlace ascendente se extendió en 3dB; las aplicaciones de IoT/transmisión de video ahorraron el 40% de energía.

1.4 Agregación de portadoras (CA) de enlace lateral de banda ITS y Compartición dinámica de espectro (DSS) con LTE CRS.

• Principio de funcionamiento: El enlace lateral admite CA en las bandas n47 (5.9GHz ITS) + FR1; admite la selección autónoma de recursos para la coordinación de Tipo 2c entre UEs. Debido a un tiempo de ida y vuelta (RTT) superior a 500 milisegundos, NTN IoT deshabilita HARQ (solo admite la repetición de bucle abierto); se implementa la precompensación para el efecto Doppler en DMRS.
• Progreso del proyecto: El enlace lateral Rel-17 solo admite una sola portadora (pérdida del 50% de rendimiento); los tiempos de espera de HARQ de NTN IoT resultan en una pérdida de paquetes del 30%.
• Mejoras: El rendimiento del enlace lateral de formación V2X aumenta en 2x, y la fiabilidad de NTN IoT alcanza el 95%.

1.5 Comunicación de realidad extendida (XR)/multisensor (Alta fiabilidad, soporte de baja latencia).

• Principio de funcionamiento: Nuevo procedimiento QoS, presupuesto de latencia inferior a 1 milisegundo, admite el etiquetado de paquetes multisensor (video + háptico + flujo de audio). El gNB prioriza los datos a través de un mecanismo de prelación. La UE informa los datos de actitud/movimiento para la programación predictiva.
• Progreso del proyecto: El soporte XR de Rel-17 solo admite unidifusión; la latencia de retroalimentación háptica supera los 20 milisegundos (inutilizable para la operación remota).
• Mejoras: La latencia de extremo a extremo de AR/VR + háptico en el control remoto industrial es inferior a 5 milisegundos.

1.6 Mejora de la funcionalidad NTN (Cobertura de enlace ascendente de teléfonos inteligentes, deshabilitación de HARQ para dispositivos IoT).

• Cómo funciona: Rel-18 mejora la cobertura de enlace ascendente de los teléfonos inteligentes en redes no terrestres (NTN) al optimizar la transmisión de la capa física, lo que permite una mayor potencia de transmisión y una mejor gestión del presupuesto de enlace para adaptarse a los canales satelitales. Para los dispositivos IoT en NTN, la retroalimentación HARQ tradicional es ineficiente debido a los largos tiempos de ida y vuelta (RTT) de los satélites, por lo tanto, la retroalimentación HARQ está deshabilitada y, en su lugar, se adopta un esquema de repetición de bucle abierto.
• Progreso del proyecto: Anteriormente, debido al control de potencia y al margen de enlace insuficientes, la cobertura de enlace ascendente de los teléfonos inteligentes en NTN era limitada, lo que resultaba en una conectividad deficiente. La retroalimentación HARQ causó una reducción del rendimiento y problemas de latencia para los dispositivos IoT debido a la latencia del satélite. La deshabilitación de HARQ elimina la latencia de retroalimentación y mejora la fiabilidad de los dispositivos IoT restringidos. Esto permite una conectividad global robusta para IoT y teléfonos inteligentes más allá de las redes terrestres.

II. Aplicaciones del proyecto RAN1

• XR urbano densa (la tecnología MIMO multi-TRP reduce la latencia de AR/VR a menos de 1 milisegundo);
• Automatización industrial (la predicción de haces IA/ML reduce la tasa de fallas de traspaso en un 30%);
• V2X/Alta movilidad (CA de enlace lateral mejora la fiabilidad).

III. Implementación del proyecto RAN1

• PHY gNB (Capa física de la estación base): Integra un modelo de IA para la compresión CSI (por ejemplo, las redes neuronales predicen CSI de Tipo II basado en CSI de Tipo I, reduciendo la sobrecarga en un 50%). Implementa TCI multi-TRP a través de RRC/DCI y utiliza 2 TAs para la temporización de enlace ascendente.
• Equipo terminal (UE): Admite receptores de activación de baja potencia (independientes del enlace RF principal) para la señalización de alineación DRX.