AirGuard UAV·조류 인식 통합 센싱·통신 솔루션

초록

본 논문은 6G 기반 통합 센싱·통신(ISAC) 시스템에서 저고도 목표인 UAV와 조류를 구분하기 위해, 중앙 마이크로도플러(cmD) 스펙트럼과 고해상도 거리 프로파일(HRRP)을 동시에 활용하는 이중 특성 융합 CNN 모델을 제안한다. 3D 메쉬 파일을 기반으로 UAV와 조류의 움직임을 물리적으로 모델링하고, 237,600개의 합성 이미지 데이터를 생성해 학습·검증하였다. 시뮬레이션 결과, 제안된 AirGuard이 기존 단일 특성 기반 방법보다 높은 인식 정확도와 낮은 오탐률을 보임을 확인하였다.

상세 분석

AirGuard 논문은 ISAC 환경에서 UAV와 조류를 구분하는 문제를 ‘두 개의 물리적 특성’—중앙 마이크로도플러(cmD) 스펙트럼과 고해상도 거리 프로파일(HRRP)—을 동시에 이용하는 새로운 접근법으로 해결한다는 점에서 의미가 크다. 기존 레이더·통신 융합 연구는 주로 목표 탐지·추적에 초점을 맞추었으며, UAV와 조류와 같은 비협조적 목표를 구분하는 구체적 방법론은 부족했다. 저자는 UAV와 조류의 3‑D 메쉬 파일을 MeshLab으로 전처리하고, Butterfly Subdivision Surface와 균일 다운샘플링을 통해 각각의 스캐터링 포인트 집합을 정의한다. 이를 통해 UAV의 회전 블레이드와 조류의 날개 진동을 물리적으로 모델링하고, 각 포인트의 거리·각도·속도 변화를 비선형 함수 g(·)로 표현한다. 이러한 상세 모델링은 전통적인 선형 속도 가정에 비해 실제 저고도 비행체의 복합 움직임을 더 정확히 반영한다는 장점이 있다.

신호 처리 단계에서는 OFDM 기반 ISAC 파형을 가정하고, 그룹화된 DFT를 이용해 cmD 스펙트럼을 추출한다. 기존 연구가 주로 전체 마이크로도플러(mD) 스펙트럼을 사용해 대칭 피크를 탐지하거나 CNN에 직접 입력하는 반면, 저자는 ‘중앙’ 영역에 초점을 맞춘 cmD를 선택함으로써 회전 블레이드에 의한 고주파 성분을 강조하고 잡음을 억제한다. 동시에 DFT 추정·필터링을 통해 HRRP를 얻어 목표의 구조적 특성을 보강한다. 두 특성을 이미지 형태로 변환한 뒤, 두 입력 스트림을 각각 별도의 CNN 블록으로 처리하고, 마지막에 피처 레벨에서 융합하는 이중 특성 융합 네트워크를 설계하였다. 이 구조는 cmD가 제공하는 동적 정보와 HRRP가 제공하는 정적 구조 정보를 상호 보완하게 하여, UAV와 조류를 구분하는 결정 경계가 보다 명확해진다.

데이터셋 구축 부분도 주목할 만하다. 저자는 237,600개의 합성 cmD·HRRP 이미지 쌍을 생성했으며, 이는 다양한 비행 고도·속도·회전 속도·조류 날개 진동 패턴을 포함한다. 그러나 데이터가 모두 시뮬레이션 기반이라는 점은 실제 환경에서의 일반화 가능성을 제한할 수 있다. 실제 측정 데이터와의 도메인 차이를 줄이기 위한 도메인 적응 기법이나 데이터 증강 전략이 추가된다면 더욱 견고한 모델이 될 것이다.

성능 평가에서는 시뮬레이션을 통해 인식 정확도, 정밀도, 재현율을 기존 단일 특성 CNN(예: cmD‑only, HRRP‑only)과 비교했으며, AirGuard이 전반적으로 5~10%p 이상의 향상을 보였다. 또한, 잡음 레벨(SNR) 변화에 대한 강인성도 검증했는데, SNR이 -10 dB 이하에서도 비교적 안정적인 성능을 유지한다는 점은 실용적인 ISAC 시스템에 중요한 장점이다.

한계점으로는 실제 6G mmWave 대역에서의 하드웨어 구현 복잡성, 대규모 안테나 배열에 대한 실시간 처리 요구, 그리고 다중 목표 상황에서의 혼합 신호(클러터) 처리 문제가 있다. 또한, UAV와 조류 외에 새 종류·비행체(예: 풍력 터빈, 새끼 새)까지 확장하려면 추가적인 특성(예: 스펙트럼‑시간 연속성)이나 멀티모달 센서(광학·라이다)와의 융합이 필요할 것이다.

전반적으로 AirGuard은 ISAC 기반 저고도 목표 인식 분야에 새로운 패러다임을 제시하며, 물리 기반 모델링과 딥러닝 융합을 통해 실용적인 솔루션을 제공한다는 점에서 높은 학술적·산업적 가치를 지닌다.