레이더 포지션 인식 자체지도 학습을 통한 교차모드 신호 인식 향상

초록

RadarPos는 레이더 펄스 시퀀스의 시간적 위치 정보를 직접 예측하도록 설계된 자체지도 학습 프레임워크이다. TOA(시간 도착) 기반 위치 인코딩과 마스크‑포지션 예측 손실을 이용해 펄스 간의 장기 의존성을 학습하고, 라벨 스무딩·어텐션 기반 재구성을 통해 유사 펄스 간의 혼동을 완화한다. 실험에서는 장기 꼬리(long‑tailed) 분포와 교차모드 전이 상황에서 기존 대비 1~2% 수준의 정확도·F1 향상을 보이며, 복잡한 데이터 증강 없이도 강인한 특성 표현을 얻는다.

상세 분석

본 논문은 레이더 신호 인식에서 가장 핵심적인 “시간적 위치 관계”를 간과한 기존 SSL 접근법을 비판하고, 이를 보완하기 위한 RadarPos라는 새로운 프레임워크를 제안한다. 핵심 아이디어는 펄스 시퀀스의 각 샘플에 대해 실제 도착 시간(TOA)을 이용한 사인‑코사인 위치 인코딩을 적용하고, 일부 위치 인코딩을 마스크 토큰으로 대체한 뒤, 모델이 마스크된 위치를 정확히 예측하도록 학습시키는 것이다. 이는 기존 MAE‑style 마스크 복원 방식이 주로 펄스 내부( intra‑pulse ) 특성에 집중하는 반면, RadarPos는 펄스 간( inter‑pulse )의 PRI 변동, jitter 등 중요한 변조 정보를 직접 학습하게 만든다.

구조적으로는 4단계(TOA 인코딩 → 토크나이저 → Transformer 인코더‑디코더 → 위치 예측 프로젝터)로 구성된다. 프리트레인 단계에서는 단일 레이어 MLP가 디코더 출력으로부터 N×N 위치 로짓을 생성하고, 마스크된 위치에 대해서만 교차 엔트로피 손실(L_pos)을 적용한다. 여기서 저자들은 두 가지 추가 기법을 도입한다. 첫째, “포지션 스무딩”으로, 실제 위치와 인접 위치 사이의 유클리드 거리를 가우시안 형태로 가중치화해 손실에 반영함으로써 근접한 펄스가 혼동될 경우에도 학습이 안정되도록 한다. 둘째, “어텐션 기반 재구성”으로, 클래스 토큰과 가시 토큰 사이의 코사인 유사도를 온도 스케일링 후 가중치(C_i)로 사용해 손실에 곱한다. 이는 모델이 전역 컨텍스트를 활용해 위치 예측을 보조하도록 만든다.

실험 설계는 두 단계로 나뉜다. 1) 대규모 시뮬레이션·공개 데이터(RadChar 등) 3,753,200 샘플을 이용한 프리트레인; 2) 세 가지 모드(m0, m1, m2) 각각에 대해 장기 꼬리 비율(100:50:25:15:10:5:1)로 구성된 소규모 파인튜닝 데이터(각 206개)에서 교차모드 전이 성능을 평가한다. 비교 대상은 ResNet18, 기본 Transformer, 도메인 일반화 기법(IBN, SNR, MixStyle, DSU), 그리고 대표적인 SSL 방법(SimCLR, MoCo, DIRA, TimeMAE)이다. RadarPos는 특히 m0→m1, m0→m2 전이에서 정확도가 MoCo 대비 1.5%p 상승하고, F1 점수에서도 유의미한 개선을 보였다.

Ablation 결과는 TOA 기반 위치 인코딩이 없을 때보다 1%p 정도 정확도가 감소함을 확인한다. 또한 σ=0.9, LoRA rank r=8이 최적 하이퍼파라미터임을 실험적으로 입증한다. 이는 스무딩 파라미터가 너무 작으면 과도한 정밀도 요구로 학습이 불안정하고, 너무 크면 위치 정보가 희석된다는 트레이드오프를 보여준다.

전체적으로 RadarPos는 (1) 복잡한 데이터 증강 없이도 펄스 간 시간 관계를 효과적으로 학습, (2) 마스크‑포지션 예측이라는 직관적인 프리텍스트를 통해 불필요한 “shortcut”을 방지, (3) 라벨 스무딩·어텐션 재구성으로 유사 펄스 간 혼동을 완화, 라는 세 가지 장점을 제공한다. 이는 레이더 전자전·스펙트럼 관리와 같은 실시간, 개방형 전자 환경에서 새로운 레이더 유형을 빠르게 인식하고, 도메인 이동에 강인한 모델을 구축하는 데 실질적인 기여를 할 수 있다.