노이즈 환경에서도 강인한 실내 라디오 맵 예측

초록

본 논문은 실내 무선 전파 전파 손실(패스 로스) 지도 예측 시, 환경 정보가 불완전하고 잡음이 섞여 있는 현실적인 상황을 고려한다. 저자는 CNN을 이용해 환경 기하·재질·송신기 위치에 대한 물리적 교란을 데이터 증강(SNDA)으로 적용하고, 이진 점유 인코딩, 재질 클래스, 상세 재질 속성 등 다양한 환경 표현 방식을 비교한다. 실험 결과, SNDA로 학습한 모델은 잡음이 있는 입력에서도 최대 25 % 오류 감소를 보이며, 실제 측정 데이터에서는 기존 레이 트레이싱·RBF 보간 대비 0.2~1.0 dB 낮은 RMSE를 달성한다. 특히 단일 방 실내에서는 이진 점유 인코딩만으로도 상세 재질 정보와 동등한 성능을 보여, 실용적인 배포가 가능함을 입증한다.

상세 분석

이 논문은 실내 라디오 맵 예측 문제를 “불확실한 환경 사전 + 희소한 관측”이라는 두 축으로 재정의한다. 기존 딥러닝 기반 라디오 맵 연구는 대부분 완전하고 정확한 3‑D 환경 모델을 전제했지만, 실제 현장에서는 라이다·카메라 기반 포인트 클라우드가 부분적으로 누락되거나, 가구·장비가 이동해 기하학적 오류가 발생한다. 저자는 이러한 현실을 반영해 세 가지 물리적 교란을 설계한다. 첫째, 객체와 송신기의 위치를 평균 0.5 m 정도 무작위 이동시켜 위치 오차를 시뮬레이션한다. 둘째, 재질의 전자기 파라미터(유전율·전도도·두께)를 사전 정의된 범위 내에서 무작위 변동시켜 재질 불확실성을 반영한다. 셋째, 이러한 교란을 포함한 10개의 변형된 환경을 원본 환경당 생성해, 원본 라디오 맵과 동일한 레이 트레이싱 결과를 레이블로 사용한다. 이를 “Simulated Noise as Data Augmentation (SNDA)”이라 명명하고, CNN 학습 시 교란된 입력‑레이블 쌍을 모두 활용한다. SNDA는 단순히 잡음에 강인한 모델을 만드는 것이 아니라, 입력이 실제와 다를 때도 라디오 맵을 보정할 수 있는 내재적 “교정 메커니즘”을 학습하게 만든다.

환경 인코딩 측면에서는 세 가지 레벨을 비교한다. (1) 이진 점유 인코딩은 각 높이 슬라이스에서 물체 존재 여부만 0/1로 표시한다. 이는 라이다 포인트 클라우드에서 손쉽게 추출 가능하다. (2) 클래스 인코딩은 물체를 재질 종류(목재·금속·유리·콘크리트·공기)별로 구분해 다중 채널 텐서로 표현한다. (3) 상세 재질 인코딩은 전자기 파라미터를 연속값으로 저장한다. 실험 결과, 희소 관측(10~30개의 샘플) 상황에서는 이진 인코딩이 클래스·재질 인코딩과 거의 동일하거나 약간 우수했다. 이는 실내 단일 방이라는 제한된 도메인에서 물체의 존재 여부만으로도 주요 반사·회절 경로를 충분히 추정할 수 있음을 시사한다.

데이터셋은 3 601개의 무작위 방 레이아웃·가구 배치를 5개의 송신기 위치와 결합해 총 18 005개의 라디오 맵을 생성했다. 레이 트레이싱은 최대 3번 반사·전송·회절을 허용했으며, 5.92 GHz, 0 dBm 송신 전력을 사용했다. 각 맵은 32 × 32 픽셀(30 cm 격자)로 정규화돼 학습에 투입된다. 모델 아키텍처는 SAIPPNET을 채택했으며, 입력 텐서는 (환경 슬라이스 + 송신기 위치 + 거리 맵 + 관측 맵)으로 구성된다.

성능 평가에서는 RMSE와 MSE를 사용했으며, SNDA 없이 학습한 베이스라인 CNN은 잡음이 있는 테스트 환경에서 평균 2.6 dB RMSE를 기록했다. 반면 SNDA 적용 모델은 동일 조건에서 2.0 dB 이하로 감소, 최대 25 % 오류 감소를 달성했다. 실제 실내 측정(다중 안테나·다중 주파수)에서는 SNDA 모델이 2.1 dB RMSE(노이즈 입력)와 1.3 dB RMSE(완전 입력)를 보였으며, 전통적인 레이 트레이싱(2.33.1 dB)·RBF 보간(2.43.0 dB)보다 일관되게 우수했다. 또한 환경 정보를 전혀 사용하지 않은 CNN(송신기 위치·관측만)보다도 0.3~0.5 dB 개선된 결과를 얻었다.

이러한 결과는 (1) 물리적 교란을 데이터 증강에 포함시키면 모델이 실제 환경 불확실성에 내재적으로 적응한다는 점, (2) 실내 단일 방에서는 복잡한 재질 정보보다 이진 점유 정보만으로도 충분히 정확한 라디오 맵을 복원할 수 있다는 점, (3) 희소 관측과 결합된 CNN 기반 접근법이 전통적인 물리 기반 시뮬레이션·보간 방법을 능가한다는 점을 강조한다. 향후 연구에서는 다방, 복합 건물, 동적 장애물 시나리오로 확장하고, SNDA와 차별화된 손실 함수(예: 물리 기반 제약)를 결합해 더욱 일반화된 라디오 맵 예측 프레임워크를 구축할 여지가 있다.