빔포밍 지문 기반 트랜스포머 네트워크를 활용한 야외 mmWave MIMO 궤적 추정 및 최적 경로 탐색

초록

본 논문은 28 GHz 야외 mmWave MIMO 환경에서 빔포밍 지문(BFF) 데이터를 이용해 사용자 궤적을 추정하고, 추정된 궤적을 바탕으로 Informed RRT* (iRRT*) 알고리즘을 적용해 최단 경로를 도출하는 두 단계 딥러닝‑기반 프레임워크를 제안한다. 첫 단계에서는 시퀀스‑투‑시퀀스 트랜스포머 네트워크가 BFF 시퀀스를 입력받아 연속적인 위치 좌표를 예측하고, 두 번째 단계에서는 예측된 궤적을 비용 함수에 통합해 동적·예측적 경로 계획을 수행한다. 시뮬레이션 결과, 제안된 트랜스포머는 기존 RNN·LSTM 기반 모델보다 평균 위치 오차가 15 % 이상 감소했으며, iRRT는 전통적 RRT 대비 수렴 속도가 30 % 가량 향상되고 최단 경로 길이에서도 우수함을 보였다.

상세 분석

이 연구는 mmWave 대역의 고주파 특성—높은 경로 손실, 강한 반사·회절—을 활용해 풍부한 공간 정보를 제공하는 빔포밍 지문(BFF)이라는 새로운 피처를 정의하고, 이를 딥러닝에 적합하도록 이진화·샘플링하는 전처리 과정을 상세히 제시한다. BFF는 M개의 빔패턴에 대해 시간‑주파수 샘플을 이진화한 M × Nₛ 행렬로, 기존 CSI 기반 방법에 비해 차원은 낮지만 공간‑시간 변동성을 효과적으로 보존한다. 논문은 이러한 고차원 시퀀스를 처리하기에 적합한 트랜스포머(Transformer) 구조를 채택한다. 특히, 포지셔널 인코딩을 통해 빔패턴 순서와 시간 축을 동시에 인코딩하고, 다중 헤드 어텐션이 각 빔의 기여도를 동적으로 가중치화함으로써 작은 방향 변화도 감지한다. 이는 RNN·LSTM이 겪는 장기 의존성 소실 문제를 근본적으로 회피하고, 병렬 연산으로 학습·추론 속도를 크게 향상시킨다.

학습 단계에서는 레이 트레이싱 시뮬레이션으로 생성된 28 GHz 실외 데이터셋(수천 개 위치, 각 위치당 다중 시간 스텝)으로 트랜스포머를 사전 학습한다. 손실 함수는 좌표 회귀를 위한 MSE와, 궤적 연속성을 강화하기 위한 시계열 정규화 항을 결합한다. 실험 결과, 제안 모델은 기존 CNN‑RNN 혼합 구조와 비교해 평균 위치 오차가 0.42 m에서 0.35 m로 16 % 개선되었으며, 새로운 궤적(훈련에 포함되지 않은 경로)에서도 일반화 능력이 유지된다.

두 번째 단계인 경로 결정에서는 추정된 궤적을 iRRT의 비용 함수에 삽입한다. 전통적 iRRT는 시작‑목표 사이의 유클리드 거리를 기반으로 샘플링 영역을 제한하지만, 여기서는 궤적 예측을 통해 동적으로 “가능성 높은” 영역을 더 좁혀 샘플링 효율을 높인다. 또한, 트랜스포머가 제공하는 불확실도(예: 어텐션 가중치 분산)를 활용해 위험 구역을 회피하도록 비용에 가중치를 부여한다. 결과적으로, iRRT*는 평균 1.2 s 내에 수렴하고, 최단 경로 길이는 이론적 최적값에 2 % 이내로 근접한다.

한계점으로는 BFF 생성에 필요한 빔코드북 크기와 측정 주기가 시스템 설계에 영향을 미치며, 실시간 적용 시 빔 스위칭 및 PDP 측정 지연이 누적될 가능성이 있다. 또한, 레이 트레이싱 기반 시뮬레이션이 실제 도시 환경의 동적 장애물(차량, 보행자) 변화를 완전히 반영하지 못한다는 점에서 현장 실증이 필요하다. 향후 연구에서는 온라인 적응형 빔코드북 설계와, 강화학습 기반 경로 재계획을 결합해 이동 중 장애물 회피 능력을 강화할 수 있다.