프라이빗 5G에서 채널‑중심 모델만으로는 로봇 경로 최적화에 필요한 실제 처리량을 예측할 수 없다

초록

본 연구는 실내 프라이빗 5G 환경에서 이동 로봇이 수집한 실제 다운링크 처리량 데이터를 바탕으로, 상용 레이트레이싱 시뮬레이터와 데이터‑드리븐 가우시안 프로세스 회귀(GPR) 모델의 예측 정확성을 비교한다. 레이트레이싱은 채널 지표(RSRP, SINR)는 잘 맞추지만, 지속 가능한 MIMO 공간 레이어 수를 과대평가해 처리량을 일관되게 과대예측한다. 반면, RQ 커널을 사용한 GPR은 직접 처리량을 학습함으로써 편향을 거의 없애고 평균 절대 오차를 2/3 수준으로 감소시킨다. 결과는 채널‑중심 예측만으로는 로봇의 통신‑인식 경로 계획에 위험을 초래함을 보여준다.

상세 분석

이 논문은 5G 기반 산업용 로봇이 요구하는 ‘실제’ 엔드‑투‑엔드 처리량을 예측하는 데 있어, 전통적인 채널‑중심 모델이 갖는 근본적인 한계를 실증적으로 입증한다. 먼저, KTH Reactor Hall이라는 방사선 차폐된 지하 시설에 Ericsson Private 5G를 설치하고, 상용 레이트레이싱 툴을 3GPP TR 38.901 실내‑공장 프로파일과 상세 3D 모델링으로 구성하였다. 레이트레이싱은 RSRP·SINR·경로 손실 등 채널 지표를 실제와 근접하게 재현했음에도, 시뮬레이션이 가정한 ‘4 레이어 MIMO 전송’이 현장에서는 1~3 레이어로 동적으로 변동한다는 사실을 측정 데이터가 밝혀냈다. 이로 인해, 동일한 SINR에서도 실제 전송 가능한 PRB 수와 MCS가 낮아져 처리량이 크게 감소함에도 불구하고, 시뮬레이션은 지속 가능한 레이어 수를 고정값으로 사용해 일관된 과대예측을 보였다.

데이터‑드리븐 접근으로는, 공간 좌표와 평균 처리량, 측정 변동성을 입력으로 하는 가우시안 프로세스 회귀(GPR)를 적용하였다. 세 가지 커널(RBF, Matérn 1, Rational Quadratic) 중 RQ 커널이 다중 스케일 변동성을 가장 잘 포착해, 학습 단계에서 신호 분산·길이 스케일·알파 파라미터를 최적화한다. 결과적으로 GPR은 편향이 거의 0에 가깝고, RMSE와 MAE를 레이트레이싱 대비 각각 약 35 %·33 % 감소시켰다. 또한, GPR은 예측 분산을 제공해 측정이 드문 영역에서의 불확실성을 정량화함으로써, 로봇 경로 계획 시 위험 회피 전략에 직접 활용 가능하다.

핵심 인사이트는 다음과 같다. (1) 채널‑중심 모델은 물리적 전파 특성을 잘 포착하지만, 5G 시스템에서의 링크 적응·스케줄링·MIMO 레이어 선택 등 상위 계층 동작을 반영하지 않으면 처리량 예측에 큰 편향을 만든다. (2) 특히 실내 산업 환경처럼 금속 구조물과 차폐가 복합적으로 작용하는 경우, MIMO 레이어 수가 환경·부하에 따라 급격히 변동하므로, 고정된 레이어 가정은 위험하다. (3) GPR과 같은 비파라메트릭 회귀는 실제 측정 데이터를 직접 학습함으로써, 복잡한 시스템‑레벨 상호작용을 암묵적으로 모델링한다. (4) 로봇의 통신‑인식 경로 계획에서는 ‘채널 좋은 구역’이 곧 ‘고처리량 구역’이라는 가정을 버리고, 실제 처리량 지도 기반의 비용 함수를 사용하는 것이 안전하고 효율적이다.