하이퍼도아: 초고차원 컴퓨팅 기반 저전력 고정밀 DoA 추정

초록

본 논문은 초고차원 컴퓨팅(HDC)을 활용한 DoA(방향 도착) 추정기 HYPERDOA를 제안한다. 평균 공간‑지연 자동상관과 공간 스무딩 두 가지 특징 추출 방식을 도입해 고차원 하이퍼벡터로 변환하고, 연관 메모리에서 유사도 검색으로 각 각도를 판별한다. 저‑SNR·상호코히런트 환경에서 기존 MUSIC·ESPRIT·DeepMUSIC 등 최신 기법 대비 약 35 % 높은 정확도를 달성했으며, NVIDIA Jetson Xavier NX에서 에너지 소모는 93 % 이상 절감한다.

상세 분석

HYPERDOA는 전통적인 서브스페이스 기반 DoA 추정이 갖는 고비용 행렬 분해(EVD, SVD)와 저‑SNR·상호코히런트 소스에 대한 취약성을 근본적으로 회피한다. 핵심 아이디어는 신호 스냅샷 행렬 X → 공간 공분산 (\hat R_X) → 특징 벡터 f → 고차원 하이퍼벡터 (H_q) 의 파이프라인을 구성하고, 각 후보 각도 θ에 대응하는 프로토타입 하이퍼벡터 C_θ를 연관 메모리에 저장한 뒤, 추론 시 쿼리 하이퍼벡터와 모든 C_θ 간 내적 유사도를 계산해 ‘각도 의사 스펙트럼’을 만든다.

두 가지 특징 추출 방식은 각각 다른 물리적 직관에 기반한다. ‘Mean Spatial‑Lag Autocorrelation’은 공분산 행렬의 대각선 평균을 이용해 공간 지연별 상관을 압축하고, 복소값을 실·허수로 분리해 2N 차원의 실벡터 f 를 만든다. 이는 신호 파워 변동에 강인하도록 제로‑래그 절댓값으로 정규화한다. ‘Spatial Smoothing’은 겹치는 서브어레이 L개를 구성해 각각의 공분산을 평균함으로써 상호코히런트 소스의 랭크 손실을 복구한다. 이때 상삼각 행렬을 벡터화해 실·허수 파트를 결합한다. 두 방법 모두 z‑score 정규화를 적용해 HDC 인코더 입력으로 적합하게 만든다.

인코더는 FHRR(Fourier Holographic Reduced Representation) 기반의 Fractional Power Encoder를 사용한다. 각 특징 차원 i에 무작위 복소수 기본 하이퍼벡터 B_i (단위 원 위의 임의 위상)를 할당하고, 특징값 f_i 를 위상 회전 ρ_{f_i} 으로 변환한다. 이후 모든 회전된 B_i 를 원소별 곱(바인딩)해 쿼리 하이퍼벡터 (H_q = \bigotimes_i \rho_{f_i}(B_i)) 를 생성한다. 이 과정은 비선형이면서도 고차원에서의 거리 보존성을 제공해, 유사한 입력이 유사한 하이퍼벡터로 매핑된다.

연관 메모리 학습에서는 다중 라벨(다중 소스) 문제를 해결하기 위해 기존 OnlineHD의 음성 업데이트를 생략하고, 각 실제 각도 θ_i 에 대해 양성 업데이트만 수행한다. 즉, (C_{\theta_i} \leftarrow C_{\theta_i} + \eta H_q) 를 모든 라벨에 적용하고, 학습 종료 후 정규화한다. 이렇게 하면 하나의 샘플이 여러 각도에 동시에 연결될 수 있어, 다중 소스 상황에서도 프로토타입이 손상되지 않는다.

추론 단계에서는 동일한 인코더를 사용해 (H_q) 를 얻고, 모든 C_θ와의 내적을 계산한다. 이 유사도 벡터는 전통적인 MUSIC 스펙트럼과 유사한 형태이며, 비최대 억제(non‑maximum suppression)를 통해 가장 높은 M 개의 피크를 선택해 최종 DoA를 추정한다. 전체 파이프라인은 행렬 고유값 분해 없이 단순한 벡터 연산(바인딩, 내적)만으로 구현되므로, 연산 복잡도가 O(D·K) (여기서 K 는 각도 후보 수) 수준에 머문다.

실험에서는 N=8, T=100, M=3~4인 시나리오에서 SNR ∈