가변 안테나 환경에서도 견고한 채널 차팅 AdaPos

초록

AdaPos는 가변 개수의 CSI 입력을 자연스럽게 처리하도록 설계된 채널 차팅 모델이다. 1D‑ResNet으로 CIR 임베딩을 추출하고, 학습 가능한 안테나 식별자를 더한 뒤 트랜스포머 인코더로 자기‑주의 기반 융합을 수행한다. 실험 결과, 기존 모델이 안테나 조합마다 별도 학습이 필요했던 반면, AdaPos는 단일 모델만으로 57개의 구성에 대응하며 결손 안테나 상황에서도 6 cm 수준의 정확도를 유지한다.

상세 분석

본 논문은 기존 채널 차팅(CC) 연구가 고정된 안테나 수와 채널 측정 개수를 전제한다는 근본적인 한계를 지적한다. 실제 무선 시스템에서는 전력 절감, 물리적 장애, 하드웨어 고장 등으로 인해 사용 가능한 안테나가 동적으로 변한다. 이러한 변동성을 무시하고 고정 입력 구조를 유지하면 모델이 급격히 성능 저하하거나 전혀 동작하지 않는다. 기존 해결책은 안테나 조합마다 별도 모델을 학습하는 방식이었지만, 안테나 수 n에 대해 가능한 조합은 2ⁿ에 달해 학습·배포 비용이 비현실적이다.

AdaPos는 이 문제를 근본적으로 해결한다. 첫 단계에서 1D‑ResNet(경량 1‑차원 Residual Network)을 공유 가중치로 모든 CIR(채널 임펄스 응답)에 적용해 고차원 CSI를 256‑차원 임베딩으로 압축한다. 여기서 중요한 설계는 “안테나 식별자(learnable antenna embedding)”를 각 CIR 임베딩에 더해 안테나 출처 정보를 명시적으로 제공한다는 점이다. 이는 트랜스포머 인코더가 입력 순서에 무관하게 각 임베딩을 구분하고, 결손된 안테나는 단순히 입력 집합에서 제외하면 되도록 만든다.

트랜스포머 인코더는 8개의 멀티‑헤드 자기‑주의를 사용해 임베딩 간 상관관계를 동적으로 학습한다. 입력 개수가 달라져도 출력 차원은 고정(256)이며, 평균 풀링을 거쳐 MLP 헤드가 2‑차원 좌표를 예측한다. 이 구조는 전통적인 CNN이나 MLP가 요구하는 고정 크기 텐서를 필요로 하지 않으며, 입력 순열에 강인한 특성을 갖는다.

학습 단계에서는 두 가지 전략을 제안한다. “Fixed‑N”은 매 배치마다 일정한 안테나 수 nₜ를 선택해 학습하고, “Random‑N”은 배치마다 nₜ를 균등히 샘플링해 다양한 결손 상황을 시뮬레이션한다. 특히 Random‑N은 실제 운영 환경에서 안테나 가용성이 불규칙하게 변할 때 모델이 사전에 적응하도록 만든다. 손실 함수는 기존 CC에서 사용되는 pseudo‑distance 기반 Siamese 손실을 그대로 적용해, 예측 좌표 간 유클리드 거리가 사전 정의된 CSI 거리와 일치하도록 최적화한다.

실험은 두 개의 공개 데이터셋(산업 현장 MIMO 데이터와 5G SISO 데이터)에서 수행되었다. 첫 번째 데이터셋은 4개의 8‑element 안테나 어레이(총 32채널)로 구성돼 다양한 안테나 조합을 테스트할 수 있었으며, 두 번째 데이터셋은 6채널 SISO 환경에서 안테나 수가 적은 경우의 한계를 검증했다. 평가 지표는 평균 절대 오차(MAE)이며, AdaPos는 결손 안테나 비율이 50 % 이상일 때도 기존 ResNet 기반 모델 대비 30 %~78 % 정도 정확도가 향상되었다. 특히 2개의 안테나만 남은 상황에서도 MAE가 1.49 m 이하로 유지돼, 실용적인 로봇·드론 등 저전력 장치에 적용 가능함을 보여준다.

또한, 57개의 개별 구성 모델을 학습한 기존 방식과 비교했을 때, AdaPos는 단일 모델만으로 동일하거나 약간 낮은 오차를 기록하면서 학습·배포 비용을 획기적으로 절감한다. 이는 안테나 식별자와 트랜스포머 기반 융합이 “입력 개수에 무관한” 표현력을 제공한다는 증거다.

마지막으로, 논문은 AdaPos가 기존 CC 파이프라인에 쉽게 통합될 수 있음을 강조한다. 기존 ResNet 기반 모델에 결손 안테나 시뮬레이션을 추가하는 간단한 데이터 증강만으로도 어느 정도 강인성을 확보할 수 있지만, 근본적인 구조 변경 없이 변동성을 완전히 수용하려면 AdaPos와 같은 변형 가능한 인코더가 필요하다.

요약하면, AdaPos는 (1) 가변 입력을 자연스럽게 처리하는 트랜스포머‑기반 아키텍처, (2) 안테나 식별자를 통한 출처 인식, (3) Random‑N 학습 전략을 통한 사전 강인성 확보라는 세 축을 통해 채널 차팅 분야의 실용성을 크게 확대한다.