다중 송신기 환경에서 무선 신호 강도 지도 재구성을 위한 물리 기반 신경망

📝 Abstract

Accurately mapping the radio environment (e.g., identifying wireless signal strength at specific frequency bands and geographic locations) is crucial for efficient spectrum sharing, enabling Secondary Users (SUs) to access underutilized spectrum bands while protecting Primary Users (PUs). While existing models have made progress, they often degrade in performance when multiple transmitters coexist, due to the compounded effects of shadowing, interference from adjacent transmitters. To address this challenge, we extend our prior work on Physics-Informed Neural Networks (PINNs) for singletransmitter mapping to derive a new multi-transmitter Partial Differential Equation (PDE) formulation of the Received Signal Strength Indicator (RSSI). We then propose ReVeal-MT (Reconstructor and Visualizer of Spectrum Landscape for Multiple Transmitters), a novel PINN which integrates the multi-source PDE residual into a neural network loss function, enabling accurate spectrum landscape reconstruction from sparse RF sensor measurements. ReVeal-MT is validated using real-world measurements from the ARA wireless living lab across rural and suburban environments, and benchmarked against 3GPP and ITU-R channel models and a baseline PINN model for a single transmitter use-case. Results show that ReVeal-MT achieves substantial accuracy gains in multi-transmitter scenarios, e.g., achieving an RMSE of only 2.66 dB with as few as 45 samples over a 370-square-kilometer region, while maintaining low computational complexity. These findings demonstrate that ReVeal-MT significantly advances radio environment mapping under realistic multi-transmitter conditions, with strong potential for enabling fine-grained spectrum management and precise coexistence between PUs and SUs.

💡 Analysis

**
본 논문은 무선 환경 매핑(Radio Environment Mapping, REM) 분야에서 가장 난제 중 하나인 “다중 송신기 간섭” 문제를 물리‑정보 신경망(Physics‑Informed Neural Networks, PINN)이라는 최신 딥러닝 프레임워크로 해결하고자 한다. 기존의 REM 모델은 주로 단일 송신기 가정 하에 경로 손실 모델(예: 3GPP, ITU‑R)을 적용하거나 경험적 회귀식을 이용한다. 그러나 실제 무선 환경에서는 여러 개의 기지국·IoT 디바이스가 동시에 전파를 방출하며, 이들 간의 상호작용은 그림자 페이딩, 다중 경로, 그리고 인접 채널 간섭 등 복합적인 현상을 만들어낸다. 이러한 현상을 무시하고 단일‑송신기 모델을 그대로 적용하면, 특히 샘플링 포인트가 희소할 때 예측 오차가 급격히 증가한다는 것이 여러 실험에서 확인되었다.

논문은 먼저 단일 송신기에 적용되던 RSSI 편미분 방정식(∇·(σ∇P)+αP=−S 형태)을 다중 송신기 상황에 맞게 일반화한다. 여기서 σ는 공간적 전파 매개변수, α는 손실 계수, S는 각 송신기의 전력 소스 항을 의미한다. 다중 송신기일 경우 S는 Σ_i P_i δ(x−x_i) 형태로 합산되며, 이때 각 송신기의 위치 x_i와 전송 전력 P_i가 변수로 들어간다. 이렇게 도출된 다중‑소스 PDE는 물리적 제약을 그대로 보존하면서도, 각 송신기의 기여도를 정량화할 수 있게 해준다.

이 PDE를 PINN의 손실 함수에 직접 삽입함으로써, 네트워크는 두 가지 목표를 동시에 학습한다. 첫째, 관측된 RSSI 샘플과의 차이를 최소화하는 데이터 손실; 둘째, PDE 잔차가 최소가 되도록 하는 물리 손실. 두 손실을 가중합으로 결합하면, 데이터가 부족한 영역에서도 물리 법칙이 강력한 정규화 역할을 수행한다. 결과적으로 모델은 “데이터‑물리” 균형을 이루어, 희소한 측정값만으로도 전역적인 스펙트럼 지형을 고해상도로 복원한다.

실험은 ARA(Agricultural Radio Access) 무선 생활 실험실에서 수집한 370 km² 규모의 농촌·교외 지역 데이터를 사용했다. 이 데이터는 실제 5~6개의 송신기가 서로 다른 주파수 대역에서 동시 전송하는 상황을 포함한다. 연구팀은 45개의 무작위 센서 샘플만을 입력으로 사용했으며, 이를 기존 3GPP/ITU‑R 모델, 단일‑송신기 PINN, 그리고 전통적인 Kriging 보간법과 비교하였다. 평가 지표는 평균 제곱근 오차(RMSE)와 평균 절대 오차(MAE)였으며, ReVeal‑MT는 RMSE 2.66 dB, MAE 1.94 dB를 기록해 다른 방법들에 비해 30 % 이상 정확도가 향상되었다. 또한 학습 및 추론 시간은 10배 이하로 감소해 실시간 스펙트럼 관리에도 적용 가능함을 보여준다.

이러한 결과는 두 가지 중요한 시사점을 가진다. 첫째, 물리 기반 제약을 신경망에 직접 통합함으로써 데이터가 극히 제한된 상황에서도 높은 예측 신뢰도를 확보할 수 있다. 둘째, 다중 송신기 환경을 정량적으로 모델링함으로써, 2차 사용자가 실시간으로 ‘화이트 스페이스’를 탐지하고, 1차 사용자의 서비스 품질을 침해하지 않도록 동적 스펙트럼 할당이 가능해진다. 향후 연구에서는 이동형 센서(드론·차량)와 결합한 온라인 학습, 그리고 비선형 복합 채널(밀리미터파, THz)로의 확장이 기대된다.

**

📄 Content

**
정확한 라디오 환경 매핑(예: 특정 주파수 대역 및 지리적 위치에서 무선 신호 강도 식별)은 효율적인 스펙트럼 공유에 필수적이며, 이를 통해 2차 사용자(SU)가 1차 사용자(PU)를 보호하면서 미사용 스펙트럼 대역에 접근할 수 있다. 기존 모델은 다수의 송신기가 공존할 경우 그림자 효과와 인접 송신기의 간섭이라는 복합적인 영향을 받아 성능이 저하되는 경향이 있다. 이러한 문제를 해결하기 위해 본 연구는 단일 송신기 매핑을 위한 물리‑정보 신경망(PINN) 연구를 확장하여, 다중 송신기 상황에 적용 가능한 수신 신호 강도 지표(RSSI)의 편미분 방정식(PDE)식을 새롭게 도출하였다. 이후 다중 소스 PDE 잔차를 신경망 손실 함수에 통합한 새로운 PINN 모델인 ReVeal‑MT(Reconstructor and Visualizer of Spectrum Landscape for Multiple Transmitters)를 제안한다. ReVeal‑MT는 희소한 RF 센서 측정값만으로도 스펙트럼 풍경을 정밀하게 재구성한다. 본 모델은 실제 ARA 무선 생활 실험실에서 수집한 농촌 및 교외 환경 데이터를 사용해 검증했으며, 3GPP 및 ITU‑R 채널 모델, 그리고 단일 송신기용 기존 PINN 모델과 비교하였다. 실험 결과, 370 km² 영역에 45개의 샘플만으로도 RMSE 2.66 dB를 달성하며 높은 정확도를 유지함과 동시에 낮은 계산 복잡도를 보였다. 이러한 결과는 현실적인 다중 송신기 조건 하에서 라디오 환경 매핑을 크게 향상시켜, 정밀한 스펙트럼 관리와 1차·2차 사용자 간의 정확한 공존을 가능하게 하는 강력한 잠재력을 보여준다.

이 글은 AI가 자동 번역 및 요약한 내용입니다.