채널 마스크 어텐션 기반 다중 기지국 3D 위치추정 네트워크

초록

CMANet은 다중 기지국에서 획득한 원시 CSI를 특징 수준에서 융합하고, 각 기지국의 채널 이득을 마스크로 활용한 어텐션 메커니즘을 도입한다. LSTM 디코더가 서브캐리어를 시계열로 처리해 주파수 도메인 정보를 누적함으로써 3차원 위치를 추정한다. 파리 도심 시뮬레이션에서 중위값 0.5 m, 90번째 백분위수 1.0 m 이하의 정확도를 달성했으며, 기존 최첨단 방법들을 모두 능가한다.

상세 분석

CMANet은 5G NR 환경에서 다중 기지국(CSI) 기반 실내·외 위치추정 문제를 해결하기 위해 두 단계의 핵심 모듈을 설계하였다. 첫 번째는 ‘채널 마스크 어텐션(CMA)’ 블록으로, 각 기지국별 CSI 행렬에서 채널 이득(벡터 노름)을 추출하고 이를 레이어 정규화 후 어텐션 가중치로 변환한다. 이렇게 얻은 가중치는 자기-어텐션 연산에 원소별 곱셈(브로드캐스팅)되어, 신호 품질이 높은 기지국의 정보를 강조하고, 다중 경로에 의해 왜곡된 저품질 링크는 억제한다. 기존의 순수 자기-어텐션과 달리 물리적 prior를 직접 삽입함으로써 학습 효율과 일반화 능력이 크게 향상된다.

두 번째는 주파수 누적 디코더이다. CSI는 N개의 서브캐리어에 걸쳐 복소수 형태로 제공되는데, CMANet은 이를 실수·허수 분리 후 (L × 2M × N) 형태로 재구성하고, L(기지국 수)을 시퀀스 길이, 2M·N을 임베딩 차원으로 설정한다. 이후 서브캐리어 차원을 시간축으로 간주하고, 다층 LSTM을 순차적으로 통과시켜 각 서브캐리어에서 추출된 공간 특징을 누적한다. 마지막 LSTM 출력에 MLP를 적용해 3차원 좌표를 회귀한다. 이 설계는 주파수 도메인에서 발생하는 다중 경로와 페이즈 변이를 효과적으로 통합하며, 서브캐리어 수가 증가할수록 오차가 감소한다는 실험적 증거와 일치한다.

시뮬레이션은 파리의 아크 트리옹프 주변을 실제 GIS 데이터와 Mitsuba 기반 레이 트레이싱으로 재현했으며, 6개의 기지국이 3.5 GHz, 20 MHz 대역폭, 288개의 서브캐리어를 사용한다. 학습 데이터는 매 에포크마다 10 000개의 무작위 UE 위치와 고도(0‑30 m)를 생성해 다양성을 확보하였다. 평가 결과, CMANet은 중위값 0.48 m, 90% 백분위수 0.96 m의 오차를 기록했으며, 동일 조건의 Self‑Attention, ADCPM‑SegNet‑MLP, MFCNet 등과 비교해 각각 30‑45% 정도 정확도가 향상되었다. 또한, 채널 마스크를 제거한 Ablation 실험에서 오류가 0.2 m 이상 증가함으로써 CMA의 필수성을 확인하였다.

연산 복잡도 측면에서는 CMA 블록이 O(L·N) 수준의 선형 연산만을 추가하고, LSTM 디코더는 서브캐리어 수에 비례하는 순환 연산을 수행한다. 따라서 모델 파라미터는 약 1.2 M개에 불과해 엣지 디바이스(예: 5G 기지국 서버)에서도 실시간 추론이 가능하다. 전반적으로 CMANet은 물리 기반 prior와 딥러닝 어텐션을 결합한 효율적인 프레임워크로, 다중 기지국 협업 위치추정 분야에 새로운 패러다임을 제시한다.