카메라 없이 보는 NeRF: 무선 신호로 실내 구조 추정

초록

본 논문은 Wi‑Fi 등 무선 신호의 다중 경로 정보를 활용해 NeRF를 재설계하고, 실내 평면도를 암시적으로 학습하는 EchoNeRF 모델을 제안한다. 라인‑오브‑사이트와 1차 반사를 물리 기반으로 모델링하고, 두 단계 학습으로 로스 균형 문제를 해결해 투명·불투명 voxel을 구분한다. 실험 결과, 기존 NeRF‑기반 무선 모델보다 높은 IoU와 F1 점수를 기록하며, 학습된 평면도를 이용한 신호 예측 및 기본 레이 트레이싱이 가능함을 보인다.

상세 분석

EchoNeRF는 기존 광학 NeRF가 색상과 밀도를 통해 이미지 픽셀을 재구성하던 방식을 무선 신호 전력 예측으로 전환한다. 핵심은 수신 전력을 라인‑오브‑사이트(LoS) 전력과 첫 번째 반사 전력의 합으로 분해하는 물리 모델이다. LoS 전력은 프리시스 방정식 (P_r = K/d^2) 에 voxel 투명도 ((1-\delta_i)) 를 곱해 경로상의 감쇠를 반영한다. 반사 전력은 각 voxel (v_j) 의 불투명도 (\delta_j) 와 표면 방향 (\omega_j) 에 따라 입사각 (\theta) 와 반사각 (\beta) 의 함수 (f(\theta,\beta)) 를 적용하고, Tx‑voxel‑Rx 두 구간 모두 투명해야만 기여하도록 설계된다.

반사 경로는 가능한 모든 voxel이 후보가 되므로 최적화가 과도하게 불확정적이다. 이를 해결하기 위해 저자들은 표면 방향을 (K_\omega) 개의 이산값(예: (0°, 90°, 180°, 270°))으로 제한하고, 실제 평면도에서 주로 직각 벽이 나타나는 점을 이용해 “plausible set” (V) 를 정의한다. 이 집합에 속한 voxel만을 반사 후보로 삼아 연산량을 크게 감소시킨다.

학습 과정에서 LoS 손실이 반사 손실보다 크게 지배하는 문제를 발견하고, 두 단계 학습 전략을 도입했다. 1단계에서는 LoS 모델만을 사용해 투명 voxel을 빠르게 학습하고, 2단계에서는 고정된 LoS 파라미터를 바탕으로 반사 모델을 미세 조정한다. 이렇게 하면 반사 경로의 그래디언트가 충분히 전달되어 벽면의 불투명도와 방향을 올바르게 추정한다.

정규화 항으로는 voxel 간의 부드러운 변화를 강제해 “벽이 끊기지 않도록” 하고, 희소한 측정 데이터로 인한 블라인드 스팟을 보완한다. 실험에서는 NVIDIA Sionna 시뮬레이터와 Zillow Indoor Dataset을 사용해 2.4 GHz Wi‑Fi 전력을 시뮬레이션하고, IoU와 F1 점수에서 기존 NeRF2·NeWRF 대비 평균 12 %·15 % 향상을 기록했다. 또한 학습된 평면도를 이용해 새로운 Tx‑Rx 쌍에 대한 전력 예측과 간단한 레이 트레이싱을 수행했으며, 결과가 물리 기반 시뮬레이션과 일치함을 확인했다.

이 논문은 무선 신호만으로 환경을 복원한다는 근본적인 역문제에 대한 새로운 접근을 제시한다. 다중 경로를 “노이즈”가 아니라 유용한 정보원으로 활용하고, 물리 모델과 신경망을 결합해 해석 가능성을 유지한다는 점이 특히 주목할 만하다. 향후 고주파·광대역 신호, 다중 안테나 배열, 3‑D 공간 확장 등으로 연구 범위를 넓히면 실내 로봇 내비게이션, 스마트 홈 자동화, 보안 감시 등 다양한 응용이 기대된다.