XL‑MIMO 원형 배열 기반 근거리 위치추정: 주의 메커니즘 강화 딥러닝 접근법

초록

본 논문은 XL‑MIMO 시스템의 원형 배열(UCA)에서 근거리(near‑field) 전파 특성을 활용해 고정밀 3차원 위치추정을 수행한다. 채널‑레벨과 공간‑레벨 두 가지 주의(attention) 모듈을 결합한 이중 경로 구조를 도입하고, 입력 신호의 공분산 메트릭을 이용해 기존 CSI 기반 방법보다 정확도와 연산 효율성을 크게 향상시켰다. 시뮬레이션 결과 ABPN, NFLnet, CNN, MLP 등 최신 벤치마크를 모두 능가함을 보였다.

상세 분석

XL‑MIMO가 6G에서 요구하는 테라비트 수준 데이터 전송과 밀리초 이하 지연을 지원하려면 수천 개에 이르는 안테나 소자를 갖춘 초대형 어레이가 필수적이다. 이때 안테나 배열이 커지면서 전파는 평면파 가정이 깨지고, 각 안테나와 사용자 간 거리 차이가 유의미해져 구형파(front) 모델이 필요해진다. 구형파는 각도와 거리(범위)가 강하게 결합되는 ‘각‑거리 커플링’ 현상을 만들며, 이는 기존의 2단계(각도 → 거리) 추정 방식으로는 해결하기 어렵다.

UCA는 원형으로 안테나를 배치해 전방위 동일한 각도 해상도를 제공하지만, 근거리 영역에서는 각‑거리 커플링이 더욱 심화돼 기존 서브스페이스(MUSIC, ESPRIT)나 구형파 단순화 기법은 계산량 폭증 혹은 모델 불일치로 성능이 저하된다. 이에 AI 기반 접근이 주목받으며, 특히 채널 간 상관관계와 전역 공간 의존성을 동시에 학습할 수 있는 구조가 필요하다.

논문이 제안한 ‘이중 경로 채널 주의(Dual‑Path Channel Attention)’는 채널 차원에서 중요한 주파수·위상 정보를 ‘soft‑selection’으로 강조한다. 한 경로는 평균 풀링을 통해 전반적인 특성을 보존하고, 다른 경로는 최대 풀링으로 강한 특징을 강조해 연산 복잡도와 표현력을 균형 있게 맞춘다. 이어지는 ‘공간 주의(Spatial Attention)’는 안테나 배열상의 위치 정보를 학습해, 특히 신호가 강하게 변하는 영역을 자동으로 강조함으로써 근거리에서 발생하는 비선형 위상 변화를 효과적으로 포착한다.

또한 입력으로 CSI 대신 공분산 메트릭을 사용한다. 공분산은 다중 안테나 간 상관성을 집계해 차원 축소와 잡음 억제를 동시에 제공하므로, 모델 학습 시 파라미터 수가 감소하고 추정 정확도가 향상된다. 실험에서는 SNR이 낮은 환경에서도 공분산 기반 모델이 CSI 기반 모델보다 평균 위치 오차가 30 % 이상 감소했으며, 학습·추론 시간도 40 % 이상 단축되었다.

전체적으로 이 논문은 근거리 XL‑MIMO UCA의 고유한 물리적 특성을 딥러닝 구조에 맞게 설계함으로써, 기존 방법이 직면한 각‑거리 커플링과 계산 복잡도 문제를 동시에 해결한 점이 가장 큰 공헌이라 할 수 있다.