실내 추적 및 앵커 스케줄링을 위한 월드 모델 기반 LocDreamer

초록

LocDreamer는 세계 모델(WM)을 활용해 실내 목표물의 위치를 추적하고, 가장 유용한 앵커만 선택해 활성화하는 공동 학습 프레임워크이다. WM은 실제 측정 데이터로 사전 학습된 뒤, 가상 앵커 배치를 상상해 합성 측정값을 생성한다. 이를 통해 추적기와 강화학습 기반 앵커 스케줄러를 실제 데이터를 추가로 수집하지 않고도 학습시킬 수 있다. 실험 결과, 기존 베이지안 필터 대비 37 % 정확도 향상을 보였으며, 실제 데이터를 그대로 사용한 모델의 86 % 수준을 달성하였다.

상세 분석

LocDreamer는 실내 무선 로컬라이제이션에서 흔히 발생하는 다중 경로·NLoS 환경과 제한된 자원(전력·스펙트럼) 문제를 동시에 해결하고자 한다. 핵심 아이디어는 세계 모델(World Model, WM)을 이용해 환경의 잠재 동역학을 학습하고, 이를 통해 “상상(imagination)” 단계에서 임의의 앵커 배치를 가상으로 생성하는 것이다. WM은 Deep State Space Model(DSSM) 형태로 구현되며, 상태 전이와 관측을 각각 물리 기반 모션 모델과 신경망 보정기로 구성한다. 이렇게 학습된 WM은 잠재 상태 zₜ와 결정적 은닉 상태 hₜ를 이용해 거리 측정 dₜ를 확률적으로 재구성한다.

학습 목표는 관측된 거리 시퀀스의 주변가능도(marginal likelihood)를 최대화하는 것으로, 이는 추적 정확도와 직접 연결된다. 직접적인 최대화는 비현실적이므로 변분 증거 하한(ELBO)을 최적화한다. ELBO는 측정 재구성 손실(L_recon)과 동역학 정규화 손실(L_dyn)으로 구성돼, WM이 실제 환경을 충분히 모사하도록 유도한다.

스케줄링 정책은 강화학습(actor‑critic) 에이전트가 담당한다. 에이전트는 현재 WM의 잠재·은닉 상태 sₜ = {z_priorₜ, hₜ}를 입력으로 받아, 각 앵커의 활성화 여부를 이진 벡터 αₜ 로 출력한다. 보상은 WM이 예측한 측정 가능도(log p(dₜ|αₜ))에 기반해 정의되며, 이는 “정보량이 높은” 앵커를 선택하도록 유도한다. 중요한 점은 이 보상이 실제 측정이 아니라 WM이 생성한 가상 측정에 의해 계산된다는 것이다. 따라서 새로운 앵커 배치나 환경 변화가 발생해도 추가 실측 없이 정책을 재학습하거나 미세조정할 수 있다.

실험은 실제 실내 데이터셋을 사용해 두 가지 시나리오를 평가한다. 첫 번째는 기존 베이지안 필터와 무작위 앵커 스케줄링을 baseline로 삼아, LocDreamer가 37 % 높은 추적 정확도를 보였음을 확인한다. 두 번째는 동일한 WM을 실제 데이터로 직접 학습한 경우와 비교했을 때, 상상 기반 학습이 86 % 수준의 정확도를 유지함을 보여준다. 이는 데이터 효율성(data efficiency)과 일반화 능력(generalization)에서 큰 장점을 의미한다.

강점으로는 (1) WM을 통한 가상 데이터 생성으로 라벨링 비용 감소, (2) RL 기반 스케줄링이 실시간 자원 제약을 직접 반영, (3) 물리 기반 모듈과 신경망 보정기의 하이브리드 설계가 복잡한 실내 전파 특성을 효과적으로 모델링한다는 점을 들 수 있다. 반면, 현재 구현은 2차원 평면만을 가정하고 거리 측정만을 활용하므로, 고도·각도·RSSI 등 다중 모달리티를 포함한 확장성이 제한된다. 또한 WM의 품질에 크게 의존하므로, 사전 학습 데이터가 편향될 경우 가상 측정이 실제 환경을 오도할 위험이 있다. 향후 연구에서는 3차원 공간, 다중 센서 융합, 그리고 온라인 적응 메커니즘을 도입해 실시간 환경 변화에 더욱 견고하게 대응할 수 있도록 할 필요가 있다.