3차원 무선 위치추정 채널 차팅 기반 접근법

초록

**
본 논문은 실내 3차원 환경에서 무선 채널 정보를 활용한 위치추정 방법을 제안한다. 레이 트레이싱 기반 시뮬레이션 데이터를 이용해 공장 홀과 다층 건물 두 가지 시나리오를 구성하고, 각각에 대해 증강 채널 차팅과 다층 채널 차팅이라는 두 가지 새로운 프레임워크를 적용한다. 또한 대규모 MIMO 시스템의 빔스페이스 CSI에서 희소 특징을 추출하는 새로운 피처 엔지니어링 기법을 제시한다. 실험 결과, 제안된 방법들이 기존 AoA‑삼각측량 및 기존 채널 차팅 대비 높은 정확도의 3차원 위치추정을 달성함을 확인한다.

**

상세 분석

**
이 연구는 기존 채널 차팅이 2차원 평면에 국한되었다는 한계를 인식하고, 3차원 실내 환경에서의 적용 가능성을 탐구한다는 점에서 의미가 크다. 첫 번째 시나리오인 공장 홀에서는 8개의 분산된 8×8 UPA가 설치된 상황을 가정하고, UE가 2 m~8 m 사이의 높이와 16 m×16 m 평면에 고르게 배치된다. 여기서 저자들은 기존 증강 채널 차팅(augmented channel charting) 개념을 3차원으로 확장한다. 구체적으로, AoA 기반 삼각측량으로 얻은 절대 위치 추정값을 이용해 페어와이즈 유사도 행렬을 스케일링하고, 이를 Siamese 네트워크 학습에 포함시켜 물리적 좌표계와 정렬된 차트 공간을 만든다. λ 하이퍼파라미터를 통해 전통적인 Siamese 손실과 AoA 손실을 가중합함으로써, 차트가 실제 거리와 일치하도록 강제한다.

두 번째 시나리오인 다층 건물에서는 각 층이 2차원 평면에 UE가 분포하고, 전체 3차원 좌표는 층 높이만 달라지는 구조다. 여기서는 “다층 채널 차팅(multistory channel charting)”이라는 두 단계 프로세스를 제안한다. 첫 단계는 전체 차트 공간에서 k‑means 클러스터링을 수행해 층을 구분하는 것이며, 클러스터 인덱스는 라벨이 없는 상태에서도 층 구분에 충분히 활용될 수 있다. 두 번째 단계에서는 각 층별로 독립적인 전문가 신경망(Expert NN)을 학습시켜 2차원 차트를 생성하고, 필요에 따라 층 고유의 높이 값을 부여해 최종 3차원 위치를 복원한다. 이 접근법은 층 간 전파 특성 차이를 별도 모델링함으로써 차트 품질을 크게 향상시킨다.

핵심 기술적 기여는 빔스페이스 CSI에서 희소 특징을 추출하는 새로운 피처 엔지니어링이다. 원본 CSI 텐서를 2배 zero‑padding 후 2D FFT를 적용해 빔스페이스 도메인으로 변환하고, 각 빔에 대해 서브캐리어 평균 전력(P)과 거친 도착 시간(D)을 계산한다. 이 두 피처는 각 안테나 배열·빔에 대한 에너지 집중도와 지연 정보를 압축적으로 담고 있어, 차트 학습 시 불필요한 잡음을 크게 감소시킨다.

실험에서는 3차원 평균 위치 오차(root‑mean‑square error, RMSE)와 2차원 평면 오차를 기준으로 기존 AoA‑삼각측량, 전통적인 채널 차팅, 그리고 제안된 증강·다층 차팅을 비교한다. 공장 홀 시나리오에서는 증강 차팅이 RMSE 0.42 m(평면)·0.31 m(높이) 수준을 달성했으며, 다층 건물에서는 다층 차팅이 층 구분 정확도 99.2 %와 층별 2차원 RMSE 0.27 m을 기록했다. 이는 기존 방법 대비 30 %~45 % 정도의 성능 향상을 의미한다.

한계점으로는 레이 트레이싱 데이터에만 검증을 수행했으며, 실제 측정 환경에서의 잡음·하드웨어 비동기화 등에 대한 견고성 검증이 부족하다는 점을 저자도 인정한다. 향후 연구에서는 실제 실험 데이터를 활용한 검증, 다양한 안테나 배열·주파수 대역에 대한 일반화, 그리고 실시간 구현을 위한 경량 모델 설계가 필요하다.

**