상용 LTE 신호 기반 지문 위치추정 현장 실험 연구

초록

본 논문은 상용 LTE 네트워크에서 실시간 CSI(Channel State Information)를 수집하고, 딥러닝 기반의 두 단계 신경망(슬롯 기반 위치추정 네트워크와 시간 도메인 융합 네트워크)을 이용해 실내·실외 환경에서 고정밀 위치추정을 구현한다. 실험 결과, 실내에서는 평균 거리 오차(MDE) 0.47 m, 최대 오차 1.15 m를 달성했으며, 실외에서는 MDE 19.9 m, 최대 오차 64.8 m까지 개선하였다.

상세 분석

이 연구는 기존 RSSI/RSRP 기반 지문 매칭이 갖는 큰 변동성과 낮은 정확도를 극복하기 위해 LTE 시스템에서 제공되는 CSI의 진폭 정보를 핵심 지문으로 활용한다. CSI는 서브캐리어와 안테나 포트별로 고해상도 채널 정보를 제공하지만, 위상은 하드웨어 잡음으로 인해 보정이 어려워 진폭만을 사용한다. 논문은 먼저 LTE 다운링크 FDD 구조에서 소프트웨어 정의 단말(SDT)을 구축해 CRS(Resource Element)에서 추출한 CSI를 25개의 RB에 걸쳐 50개의 연속 샘플로 수집한다.

수집된 고차원 CSI 행렬 H(L,t)는 N_t×N_c 차원을 가지며, 이를 직접 매핑하기엔 차원의 저주와 비선형성이 문제된다. 저자는 두 단계 딥러닝 파이프라인을 설계했다. 첫 번째 단계인 Slot‑based Localization Network(SLN)는 단일 CSI 스냅샷을 입력으로 받아 각 사전 정의된 레퍼런스 포인트(RP)에 대한 확률 분포를 출력한다. 다층 퍼셉트론(MLP) 구조에 256‑100‑64‑48‑12 유닛을 배치하고, Dropout(0.3)으로 과적합을 방지한다. 출력은 Softmax를 통해 확률화하고, 가중 평균을 이용해 추정 좌표 ˆL_ti 를 얻는다.

두 번째 단계인 Fusion Network(FN)는 SLN이 연속 s=50개의 시간 슬롯에서 생성한 ˆL_ti 를 시계열 형태로 받아, ReLU 활성화와 선형 출력층을 갖는 또 다른 MLP(256‑64‑12)로 처리한다. FN은 시간적 상관성을 학습해 노이즈에 강인한 최종 위치 ˆL을 산출한다. 손실 함수는 SLN에 교차 엔트로피, FN에 평균 제곱 오차(MSE)를 사용해 각각 지도 학습을 수행한다.

실험은 3.6 m × 6 m 실내 공간(15개 RP)과 360 m × 195 m 실외 캠퍼스(105개 RP)에서 진행되었다. CSI는 중국 텔레콤의 상용 eNodeB로부터 수집했으며, 실내에서는 RP 간 간격 1.2 m, 실외에서는 5 m 간격으로 배치했다. 결과는 CDF 형태로 제시되었으며, 전통적인 K‑Nearest Neighbor(KNN) 대비 SLN+FN 조합이 평균 오차와 최대 오차 모두 크게 감소함을 확인했다. 특히 실내에서는 MDE가 0.47 m(≈3배 개선)이고, 실외에서는 19.9 m(≈4.5배 개선)로, 시간 도메인 융합이 CSI 변동성을 효과적으로 억제한다는 점을 입증했다.

이 논문의 주요 공헌은 (1) 상용 LTE CSI를 활용한 고해상도 지문 데이터베이스 구축, (2) 딥러닝 기반 비선형 매핑으로 전통적인 거리 기반 매칭 알고리즘의 한계를 극복, (3) 시간 도메인 융합을 통해 실시간 변동성을 보정함으로써 실내·실외 모두에서 높은 정확도와 견고성을 달성한 점이다. 향후 연구에서는 다중 안테나·다중 대역폭 환경 확대, 온라인 적응 학습, 그리고 5G NR의 고주파 대역 적용 등을 통해 더욱 정밀한 위치서비스를 제공할 수 있을 것으로 기대된다.