ODDM 채널 추정을 위한 계층적 희소 베이지안 학습 프레임워크

초록

본 논문은 고이동성 환경에서 ODDM 변조 방식의 채널 추정 정확도를 높이고 연산 복잡도를 낮추기 위해, 지연‑도플러 차원을 부분적으로 분리한 2차원 희소 신호 복구 모델을 기반으로 하는 계층적 희소 베이지안 학습(HSBL) 알고리즘을 제안한다. 먼저 저해상도 격자에서 온‑그리드 2D SBL로 후보 경로를 탐색하고, 이후 후보 영역에 고해상도 미세 격자를 구성해 오프‑그리드 2D SBL을 적용함으로써 기존 오프‑그리드 SBL 대비 성능은 향상되고 복잡도는 크게 감소한다는 시뮬레이션 결과를 제시한다.

상세 분석

본 연구는 ODDM(Orthogonal Delay‑Doppler Division Multiplexing) 시스템에서 채널 추정이 직면한 두 가지 핵심 난제, 즉 지연‑도플러 파라미터의 강한 결합과 고이동성 환경에서 요구되는 높은 추정 정밀도를 동시에 만족시키는 방법을 모색한다. 기존 문헌에서는 1차원 오프‑그리드 SBL을 이용해 정확도를 확보했지만 연산량이 급증하고, 2차원 SBL을 적용할 경우 완전한 지연‑도플러 분리를 전제로 하는 bi‑orthogonal 가정이 실제 ODDM 시스템에 부합하지 않아 성능 저하가 발생한다는 한계가 있었다.

이 논문은 이러한 한계를 극복하기 위해 ‘부분‑분리(partially‑decoupled)’ 2D 희소 신호 복구(SSR) 모델을 도입한다. 가상 샘플링 격자를 지연과 도플러 축에 각각 정의하고, 실제 채널 파라미터가 격자점에서 벗어나는 오프‑그리드 오차(Δk, Δl)를 1차 테일러 전개로 근사함으로써 격자와 실제 파라미터 사이의 차이를 명시적으로 모델링한다. 이때 도플러와 지연의 결합 효과는 텐서‑매트릭스 연산 ⊛을 통해 부분적으로만 분리되며, 이는 기존의 완전 분리 모델보다 실제 ODDM 파형에 더 부합한다.

알고리즘은 두 단계로 구성된다. 첫 번째 단계에서는 저해상도(코스) 격자를 사용해 온‑그리드 2D SBL을 수행, 여기서 얻어진 희소 계수 행렬 V와 도플러 오프셋 Δk를 통해 후보 경로 위치를 빠르게 파악한다. 두 번째 단계에서는 각 후보 도플러에 대해 고해상도(파인) 격자를 재구성하고, 오프‑그리드 2D SBL을 적용해 Δl와 Δk를 동시에 추정한다. 이 ‘코스‑투‑파인’ 전략은 전체 DD 영역에 대해 고해상도 탐색을 수행하는 전통적 오프‑그리드 SBL에 비해 연산 복잡도를 O(P·M0·N0)에서 O(P·(M0+N0)) 수준으로 크게 낮춘다.

베이지안 프레임워크 내에서는 하이퍼파라미터 α, β0 및 오프‑그리드 변수들을 EM‑유사 반복식으로 업데이트한다. 특히 Δk 업데이트는 2차 형식 최소화 문제로 풀어지며, Δl 업데이트는 각 도플러 슬라이스마다 독립적으로 수행된다. 이러한 계층적 구조는 희소성(P‑sparse) 가정을 유지하면서도 파라미터 추정의 정밀도를 보장한다.

시뮬레이션 결과는 제안된 HSBL이 동일 SNR 조건에서 기존 오프‑그리드 2D SBL보다 평균 NMSE가 2~3 dB 개선되고, 복잡도는 약 40% 이상 감소함을 보여준다. 또한, 고이동성 시나리오(예: 500 km/h)에서도 도플러 확산에 강인한 성능을 유지한다.

한계점으로는 가상 격자 해상도 선택이 성능‑복잡도 트레이드오프에 크게 영향을 미치며, 실제 시스템 구현 시 파일럿 배치와 guard 영역 설계가 추가적인 최적화 대상이 될 수 있다. 또한, 현재는 단일 파일럿 기반 모델을 가정했으므로 다중 파일럿 및 다중 안테나(MIMO) 환경에 대한 확장은 향후 연구 과제로 남는다.