mmWave 기반 저고도 UAV 구역 분류를 위한 통합 CNN BiLSTM Attention 모델 CoBA

초록

본 논문은 5G mmWave 무선 측정값을 이용해 저고도 드론이 허가 구역에 있는지 제한 구역에 진입했는지를 실시간으로 구분하는 딥러닝 모델 CoBA를 제안한다. CNN으로 공간적 특성을 추출하고, BiLSTM으로 양방향 시간 의존성을 학습한 뒤, Attention 메커니즘으로 핵심 시점에 가중치를 부여한다. TalTech 캠퍼스에서 수집한 실제 mmWave 데이터셋으로 실험했으며, 전통적인 머신러닝 및 기존 Fingerprinting 기반 방법보다 현저히 높은 정확도와 안정성을 보였다.

상세 분석

CoBA 모델은 1‑차원 CNN 두 층을 통해 입력 시퀀스(길이 l, 특징 f)의 로컬 패턴을 먼저 추출한다. 각 CNN 층은 Layer Normalization과 ReLU 활성화를 적용해 학습 안정성을 높이며, 출력 차원을 c 로 변환한다. 이후 BiLSTM에 전달되어 순방향과 역방향 LSTM이 각각 은닉 상태 h_f 와 h_b 를 생성하고, 이를 연결(concatenate)해 h_lstm ∈ ℝ^{l × 2h} 를 만든다. 이 단계는 저고도 UAV가 이동하면서 발생하는 다중 경로, 그림자 손실, 급격한 SINR 변동 등 복합적인 시간적 변이를 포착한다. Attention 레이어는 각 시점 t 에 대해 스코어 e_t = h_lstm_t · w_a + b_a 를 계산하고, Softmax를 통해 정규화된 가중치 α_t 를 얻어 컨텍스트 벡터 c = ∑_{t=1}^{l} α_t h_lstm_t 를 만든다. 이렇게 하면 중요한 측정값(예: 급격히 변하는 RSRP 혹은 SINR)에게 높은 가중치를 부여해 분류 결정에 직접적인 영향을 미치게 된다. 최종 Fully Connected 레이어는 ReLU와 Dropout을 거쳐 z_2 를 생성하고, Residual 연결 (w_r c + b_r) 을 더해 로짓 ŷ 을 만든다. 손실 함수는 클래스 불균형을 보정하기 위한 가중치가 적용된 Cross‑Entropy이며, 최적화는 AdamW(learning rate = 1e‑4, weight decay)와 Gradient Clipping을 사용한다. 데이터 전처리는 시계열 형태로 슬라이딩 윈도우를 적용해 (l, f) 크기의 샘플을 생성하고, 전체 데이터를 70 % 학습, 15 % 검증, 15 % 테스트로 stratified split한다. 실험 결과 CoBA는 정확도 > 95 %를 기록했으며, 기존 Decision Tree, K‑Nearest Neighbor, Logistic Regression 등은 저고도(≤ 50 m)에서 급격히 성능이 저하되는 반면, CoBA는 시간‑주파수 복합 특성을 효과적으로 학습해 일관된 성능을 유지한다. 또한, Fingerprinting 기반 베이스라인보다 적은 파라미터로도 높은 분류 정확도를 달성했으며, Attention 가중치 시각화를 통해 특정 RU의 RSSI 급등이 제한 구역 진입을 예측하는 핵심 신호임을 확인했다. 모델의 계산 복잡도는 1‑D CNN + BiLSTM + Attention 구조로 인해 실시간 추론이 가능하도록 GPU 환경에서 10 ms 이하의 지연을 보였으며, 이는 실제 공항·도시 환경에서 실시간 UAV 감시 시스템에 적용하기에 충분한 수준이다.