다중경로 적응형 레인보우 빔 위치추정

초록

본 논문은 주파수 의존적 레인보우 빔을 이용해 다중경로 환경에서 목표 UAV의 2차원 위치를 고정밀로 추정하는 MARBLE‑Net 프레임워크를 제안한다. 위상 변조기와 진시간 지연(​TTD​) 파라미터를 학습 가능한 가중치로 두어 빔패턴을 환경에 맞게 자동 최적화하고, 이를 1‑D CNN 기반 위치 예측 네트워크와 공동 학습한다. 3단계 학습 절차(전력 기반 초기화 → 교대 최적화 → 전면 미세조정)를 통해 안정적인 수렴을 확보했으며, 시뮬레이션 결과 k‑NN 및 고정‑빔 RaiNet 대비 50 % 이상 RMSE를 감소시켰다. 특히, 구조화된 다중경로가 존재하는 ‘L’ 형태 환경에서는 LoS만 있는 경우보다도 우수한 정확도를 달성한다.

상세 분석

MARBLE‑Net은 기존 레인보우 빔 기반 센싱이 갖는 “빔 스퀴트” 현상을 단순한 부작용으로 보지 않고, 주파수‑공간 매핑을 의도적으로 설계함으로써 물리층에서 직접 각도 정보를 인코딩한다는 점이 혁신적이다. 특히, 위상 변조기(​PS​)와 진시간 지연(​TTD​) 값을 신경망의 학습 파라미터로 취급함으로써, 환경별 다중경로 특성을 반영한 최적 빔패턴을 자동으로 형성한다. 이는 전통적인 고정‑빔 설계가 환경 변화에 취약한 한계를 극복한다.

학습 전략은 세 단계로 구분된다. 1단계에서는 빔패턴이 수신 전력을 최대화하도록 PS와 TTD를 초기화한다. 이 단계는 신호‑대‑잡음비(SNR)를 높여 이후 단계에서 네트워크가 잡음에 과적합되는 것을 방지한다. 2단계에서는 위치 추정 네트워크(M₂)를 먼저 학습한 뒤, 빔패턴을 위치 오차를 최소화하도록 교대로 업데이트한다. 여기서 빔패턴은 단순히 전력을 모으는 것이 아니라, 다중경로의 기하학적 정보를 강조하도록 변형된다. 마지막 3단계에서는 모든 파라미터를 동시에 미세조정해 전역 최적화를 달성한다. 이러한 단계적 접근은 비선형 손실 지형에서의 발산 위험을 크게 낮춘다.

시뮬레이션은 Sionna 기반 레이 트레이싱을 이용해 4가지 실내·실외 시나리오(LoS‑only, ‘circle’, ‘rounded‑L’, ‘L’)를 구축하고, 각각 10만 개의 UAV 위치 데이터를 생성했다. 주요 파라미터는 28 GHz 대역, 380 MHz 대역폭, 128‑element ULA, 1584 서브캐리어 등이며, 실제 6G 환경을 반영한다.

성능 평가에서 MARBLE‑Net(Adaptive)은 k‑NN 대비 RMSE를 16.63 m→2.30 m(‘circle’) 등으로 크게 낮추었으며, 고정‑빔 RaiNet 대비도 일관된 개선을 보였다. 특히 ‘L’ 씬에서는 구조화된 두 개의 수직 벽이 제공하는 다중반사 경로를 가상 앵커로 활용해 0.61 m 이하의 RMSE를 달성, 순수 LoS 상황보다도 우수한 결과를 얻었다. 이는 다중경로가 단순히 잡음이 아니라, 적절히 설계된 빔과 학습 모델에 의해 유용한 기하학적 단서가 될 수 있음을 실증한다.

또한 네트워크 복잡도와 빔 적응성의 상호작용을 분석한 결과, 단순한 RaiNet은 빔 적응에 의해 성능 향상이 크게 나타나는 반면, 이미 높은 표현력을 가진 MARBLE‑Net은 고정‑빔에서도 좋은 성능을 보이며, 빔 적응은 추가적인 미세 개선을 제공한다는 점을 확인했다. 이는 시스템 설계 시 하드웨어 복잡도(예: TTD 수)와 모델 용량 사이의 트레이드오프를 정량적으로 판단할 근거를 제공한다.

전반적으로 MARBLE‑Net은 물리‑계층 빔포밍과 데이터‑드리븐 위치 추정을 공동 최적화함으로써, 다중경로가 풍부한 6G ISAC 환경에서 실시간 고정밀 로컬라이제이션을 구현할 수 있는 실용적인 솔루션을 제시한다.