저고도 네트워크를 위한 UAV 이중 활용: 통신 중계와 교통 모니터링 통합

초록

본 논문은 저고도 네트워크에서 UAV가 통신 중계와 교통 모니터링을 동시에 수행하도록 설계한 UAP‑Net 프레임워크를 제안한다. 다중 시점 RGB 이미지와 차량 LiDAR 데이터를 융합해 링크 핸드오프를 사전 예측하고, 경량 모니터링 헤드를 통해 차량 흐름을 실시간 추정한다. 두 단계 학습과 분산 실행을 통해 통신 단절 확률을 10% 감소시키고, 다중 UAV 부재 시에도 86% 이상의 전송률을 유지한다.

상세 분석

UAP‑Net은 UAV와 지상 차량이 각각 제공하는 이질적인 센서 데이터를 효과적으로 결합하기 위해 세 가지 핵심 모듈을 설계한다. 첫 번째는 UAV‑Feature Extraction Module(UFE)로, 5방향(전·후·좌·우·하) RGB 영상을 Z‑score 정규화 후 10% 해상도로 축소하고 ResNet‑18 기반의 경량 CNN을 이용해 시각적 특징을 추출한다. 추출된 5개의 특징 벡터는 concat 후 추가 CNN을 거쳐 최종 시각 표현 x_RGB​_m을 만든다. 두 번째는 Vehicle‑Feature Extraction Module(VFE)이다. 차량에 장착된 LiDAR 포인트 클라우드를 3‑D voxel grid(L_v)로 변환하고, 각 voxel에 RSU 식별자를 삽입해 공간적·구조적 정보를 보존한다. 맞춤형 3‑D CNN을 통해 x_LiDAR​_v 를 생성한다. 세 번째는 Adaptive Cross‑Agent Fusion (ACAF) 모듈이다. 여기서는 cross‑attention 메커니즘을 활용해 x_LiDAR​_v 와 다수의 x_RGB​_m 을 동적으로 결합한다. 토큰 Q는 협업 토큰 x_Coop 로 고정하고, 각 에이전트 특징을 Key·Value 로 변환해 스케일드 dot‑product attention을 수행한다. 타입(type)과 위치(pos) 임베딩을 추가함으로써 UAV 수가 변동해도 안정적인 융합이 가능하도록 설계하였다.

핸드오프 예측 네트워크 G(·)는 ACAF 출력 h_Coop 를 전결합층에 연결해 최적 링크 κ̂ 를 확률적으로 출력한다. 손실 함수는 다중 클래스 교차 엔트로피 L_handoff 로 정의되어, 각 차량이 선택 가능한 K_v 개의 링크 중 최적을 학습한다. 모니터링 헤드 D(·)는 UAV‑Feature Extractor에서 추출된 x_RGB​_m 을 입력으로 받아 차량 차선별 차량 수 d_i 를 회귀한다. 손실은 MSE(L_insp) 로 설정된다.

학습은 두 단계로 진행된다. Stage‑I에서는 전체 UAP‑Net을 end‑to‑end 로 학습해 핸드오프 정확도를 최적화한다. 이때 VFE와 UFE는 동시에 업데이트되며, ACAF는 다양한 UAV‑Vehicle 조합에 대한 일반화를 학습한다. Stage‑II에서는 UFE를 고정하고, 경량 TIH(Inspection Head)를 별도로 학습한다. 이렇게 하면 모니터링 파라미터가 통신 파라미터에 부정적 영향을 주는 현상을 방지한다.

실험은 M3SC 데이터셋의 저고도 도시 환경을 사용했으며, 4개의 RSU와 6개의 UAV, 20개의 링크 조합을 시뮬레이션했다. 주요 결과는 다음과 같다. (1) 200 Mbps 목표 전송률에서 통신 단절 확률이 기존 방식 대비 약 10% 감소하였다. (2) UAV 수가 하나로 제한된 상황에서도 86% 이상의 평균 전송률을 유지, 다중 UAV 기반 시스템에 근접한 성능을 보였다. (3) 모니터링 정확도는 별도 평가에서 기존 단일‑Task 모델과 동등하거나 약간 상회하였다. 이는 다중 모달 융합이 통신과 감시 양쪽 모두에 이득을 제공함을 의미한다.

시스템 구현 측면에서 저전력 임베디드 보드에 적합하도록 모델 파라미터를 2 M 이하로 제한했으며, GPU(NVIDIA RTX 3090)에서 학습 시 gradient accumulation(스텝 8)으로 메모리 사용을 최적화했다. 분산 실행 시 UAV는 실시간으로 x_RGB​_m 을 추출해 TIH에 전달하고, 동시에 무선 링크 품질을 예측해 차량에 전송한다. 차량은 VFE를 통해 x_LiDAR​_v 를 생성하고, 수신된 x_RGB​_m 과 함께 ACAF에 입력해 현재 링크가 악화되기 전에 사전 핸드오프를 수행한다. 이러한 협업 프로세스는 지연을 최소화하고, 복잡한 채널 추정 없이도 높은 전송률을 유지한다.

전체적으로 본 연구는 ISAC(Integrated Sensing and Communication) 패러다임을 저고도 UAV 네트워크에 적용한 첫 사례 중 하나이며, 센서 데이터 기반의 사전 핸드오프와 경량 모니터링을 동시에 달성함으로써 차세대 스마트 시티 인프라에 실용적인 솔루션을 제공한다.