시각·무선 센싱을 잇는 통합 복사장으로 3D 라디오맵 구현

초록

본 논문은 3D Gaussian splatting과 역렌더링을 기반으로 시각·무선 데이터를 동시에 학습시켜, 광학과 전파 두 영역을 하나의 복사장(Radiation Field)으로 통합하는 URF‑GS 프레임워크를 제안한다. URF‑GS는 장면 기하·재질 정보를 복원하고, 임의의 송·수신기 배치에 대해 정확한 전파 특성을 예측한다. 실험 결과, 기존 NeRF 기반 방법 대비 공간 스펙트럼 예측 정확도가 최대 24.7% 향상되고, 샘플 효율이 10배 이상 개선되었다.

상세 분석

URF‑GS는 기존 시각‑무선 복합 연구가 각각의 모달리티를 독립적으로 처리하고, 고정된 Tx‑Rx 구성을 전제하는 한계를 극복한다는 점에서 혁신적이다. 핵심 아이디어는 3D Gaussian splatting(3D‑GS)을 복사장 표현의 기본 단위로 채택하고, 역렌더링을 통해 물리 기반 손실 함수를 정의함으로써 광학 이미지와 전파 채널 측정값을 동시에 최적화하는 것이다. 3D‑GS는 가우시안 프리미티브를 연속적인 볼류메트릭 형태로 표현해, 고해상도 렌더링과 실시간 추론이 가능하도록 한다. 역렌더링 단계에서는 전자기 파동의 경로 손실, 반사, 회절 등을 재질 파라미터와 복사장 함수에 매핑시켜, 관측된 다중 경로 컴포넌트(MPC)와 이미지 픽셀 사이의 차이를 최소화한다.

이 과정에서 물리적 제약을 명시적으로 모델링한다는 점이 기존 딥러닝 기반 채널 예측 모델과 차별화된다. 예를 들어, 재질의 전도도·투과율을 학습 파라미터로 두고, 전자기 파동의 경로를 라이트 트레이싱 방식으로 시뮬레이션함으로써, 새로운 Tx 위치에서도 정확한 전파 예측이 가능하도록 한다. 또한, 3D‑GS의 가우시안 프리미티브는 위치·방향·스케일·색상·라디안스(방사 패턴) 등 다중 속성을 동시에 보유하므로, 광학 복사장과 전파 복사장을 동일한 파라미터 집합으로 표현할 수 있다.

실험 설계는 60 GHz 대역의 고해상도 디지털 복제 실내 환경(NIST Bistro)에서 수행되었다. 데이터는 Sionna RT 시뮬레이터를 이용해 다양한 Tx‑Rx 조합에서 채널 임펄스 응답을 수집하고, 이를 equirectangular projection을 통해 “스펙트럼 이미지” 형태로 변환하였다. 학습은 (1) 충분한 샘플(3,200개)로 전통적인 전면 학습, (2) 10개 샘플만 이용한 few‑shot, (3) 전혀 샘플이 없는 zero‑shot 세 가지 시나리오로 나뉘었다. URU‑GS는 모든 시나리오에서 PSNR, SSIM, LPIPS 등 이미지 품질 지표에서 최고 성능을 기록했으며, 특히 데이터가 극히 제한된 상황에서도 NeRF‑2 대비 10배 이상의 샘플 효율을 보였다.

추가 사례 연구에서는 Wi‑Fi AP 배치와 로봇 경로 계획에 URF‑GS를 적용하였다. AP 배치 실험에서는 25개의 미지 Tx 위치에 대해 평균 수신 전력을 정확히 예측해, 최적 AP 위치를 데이터‑드리븐 방식으로 선정할 수 있었다. 로봇 경로 계획에서는 복사장을 이용해 전파 차폐와 다중 경로 효과를 사전에 파악함으로써, 장애 회피와 에너지 효율을 동시에 만족하는 경로를 생성하였다.

전반적으로 URF‑GS는 (1) 시각·무선 데이터의 공동 학습, (2) 물리 기반 역렌더링을 통한 재질·방사 패턴 추정, (3) 가우시안 스플래팅을 활용한 고효율 볼류메트릭 표현이라는 세 축을 결합해, 차세대 3D 라디오맵 구축에 필요한 정확도와 일반화를 동시에 달성한다는 점에서 큰 의의를 가진다.