전파 위치추정의 새로운 패러다임 전체 사후분포를 위한 확률 기반 학습

초록

본 논문은 무선 송신기의 위치를 점 추정이 아닌 전체 사후 확률분포로 추정하는 프레임워크를 제안한다. Monte Carlo Candidate‑Likelihood Estimation(MC‑CLE)이라는 신경망 기반 방법으로, 실제와 후보 위치의 로그우도 차이를 학습해 복잡한 다중모드와 각도 모호성을 포착한다. 실험 결과는 기존 가우시안 기반 방법보다 낮은 교차엔트로피와 향상된 기하학적 정확도를 보여준다.

상세 분석

본 연구는 무선 로컬라이제이션을 베이지안 관점에서 재정의하고, 사후분포 p(xₜ|y)를 직접 추정하는 방법론을 제시한다. 핵심 아이디어는 로그우도 함수를 근사하는 신경망 g_θ(xₜ,y)를 학습시키는 것으로, 이를 위해 후보 위치 집합 C를 무작위로 샘플링하고 Monte Carlo 방식으로 정규화 상수 Z_θ(y)를 추정한다. 손실함수는 샘플링된 교차엔트로피 L(θ)=−g_θ(xᵢ,yᵢ)+log(1/K∑ₖe^{g_θ( x̄ₖ ,yᵢ)}) 로 정의되며, 이는 정규화 상수의 로그 기대값을 근사함으로써 신경망이 직접 확률밀도를 출력하도록 유도한다. 입력 특징은 송신‑수신 상대 위치의 단위벡터 u, 로그 거리 d, 스케일된 SNR s, 그리고 각도 정보를 사인·코사인 형태로 포함해 회전 불변성을 확보한다. 네트워크 구조는 8차원 입력 → 64‑ReLU → 16‑ReLU → 스칼라 출력으로, 충분히 표현력을 가지면서도 과적합 위험을 낮춘다.

실험에서는 12 GHz, 200 MHz 대역의 LOS 환경에서 8×1 ULA를 사용하고, 3 dB 빔폭 65°의 3GPP 안테나 패턴을 적용하였다. 후보 위치는 격자(961점)와 무작위(1000점) 두 종류로 평가했으며, MC‑CLE는 교차엔트로피 손실이 −log K에 근접하는 수준으로, 가우시안 기반 모델(Gauss‑Cart, Gauss‑Polar)보다 30% 이상 개선된 G와 R 지표를 기록했다. 시각화 결과에서도 MC‑CLE는 각도 대칭에 의한 다중모드, 전후방 안테나 이득 차이, 그리고 잡음에 의한 거짓 알람(혼합분포) 등을 정확히 포착한다.

이러한 접근은 전통적인 CRB 기반 불확실성 추정이나 사전 정의된 확률 모델에 의존하는 기존 방법과 달리, 데이터‑드리븐 방식으로 복잡한 사후 형태를 학습한다는 점에서 혁신적이다. 또한, 정규화 상수 추정을 Monte Carlo 샘플링으로 해결함으로써 신경망 학습 과정에서의 수치적 불안정을 최소화한다. 향후 다중 측정, 비LOS 환경, 그리고 실시간 구현을 위한 경량화 모델 개발 등으로 확장 가능성이 크다.