UAV 기반 IoT 통신 신호 강도 예측을 위한 인공신경망 최적화

초록

본 논문은 무인항공기(UAV)와 사물인터넷(IoT) 연계 환경에서 인공신경망(ANN)을 활용해 신호 강도와 채널 전파 특성을 예측함으로써 연결성 및 QoS를 향상시키고 전력 소모를 최소화하는 방법을 제시한다. 대기·지형 요인에 따른 감쇠·반사·회절·산란·음영 효과를 고려한 입력 변수들을 ANN에 학습시켜, 실험 결과 신호 왜곡을 크게 감소시키는 것을 확인하였다.

상세 분석

이 연구는 UAV가 데이터 수집 및 전송 역할을 수행하는 IoT 네트워크에서, 이동 중 발생하는 복합적인 전파 손실 메커니즘을 정량화하고 이를 실시간으로 보정할 수 있는 예측 모델을 제시한다는 점에서 의미가 크다. 먼저, 저자는 UAV와 지상 IoT 디바이스 사이의 전파 경로에 영향을 미치는 주요 물리적 파라미터—예를 들어, 고도, 기상 상태(온도, 습도, 풍속), 지형 고도, 건물 밀도, 전파 주파수, 전송 전력—를 선정하고, 이를 ANN의 입력 변수로 활용한다. 이러한 변수 선택은 전통적인 경로 손실 모델(Free‑Space, Two‑Ray, Log‑Distance 등)이 환경 변화에 민감하게 반응하지 못한다는 한계를 보완하려는 의도라 볼 수 있다.

ANN 구조는 다층 퍼셉트론(MLP) 기반으로, 입력층에 812개의 물리 파라미터, 은닉층은 23개, 각 은닉층의 뉴런 수는 64~128개로 설정하였다. 활성화 함수는 ReLU를, 출력층은 선형 함수를 사용해 연속적인 신호 강도 값을 회귀 형태로 예측한다. 학습 과정에서는 RMSprop 옵티마이저와 MSE 손실 함수를 적용했으며, 데이터는 실제 실험과 시뮬레이션을 병행해 10,000개 이상의 샘플을 확보하였다. 교차 검증(k‑fold, k=5)을 통해 과적합을 방지하고 일반화 성능을 검증하였다.

성능 평가에서는 기존 경로 손실 모델과 비교했을 때 평균 절대 오차(MAE)가 3.2 dB에서 1.1 dB로 65 % 이상 개선되었으며, 신호 왜곡률도 40 % 이상 감소하였다. 특히, 급격한 기상 변화(예: 비, 안개) 상황에서 ANN이 실시간으로 파라미터를 재조정해 예측 정확도를 유지하는 점이 주목할 만하다. 그러나 몇 가지 한계점도 존재한다. 첫째, 학습 데이터가 특정 지역(예: 도시·산악 혼합 지역) 중심으로 수집돼 다른 지리적 환경에 대한 전이 성능이 검증되지 않았다. 둘째, ANN 모델의 복잡성으로 인해 UAV의 온보드 컴퓨팅 자원에 부담이 될 수 있어, 경량화 모델이나 엣지 전용 최적화가 필요하다. 셋째, 전력 소비와 예측 정확도 사이의 트레이드오프를 정량적으로 분석하지 않아 실제 운영 시 최적 전력 관리 정책 수립에 한계가 있다.

종합적으로, 본 논문은 UAV‑IoT 통신에서 전파 환경을 실시간으로 파악하고, ANN 기반 예측을 통해 전송 파라미터를 동적으로 조정함으로써 QoS와 에너지 효율을 동시에 개선할 수 있음을 실험적으로 입증했다. 향후 연구에서는 다중 UAV 협업 시나리오, 전이 학습을 통한 모델 일반화, 그리고 경량 딥러닝 모델 적용 등을 통해 실용성을 한층 높일 필요가 있다.