센싱 기반 적응형 빔 탐색: 다중모달 사전과 불확실성 인식 스케줄링

본 논문은 초고주파(mmWave/THz) 통신 시스템에서 필수적인 빔 정렬 과정을 기존의 전면 코드북 스위프 방식에서 벗어나, 외부 센싱 정보를 활용한 적응형 빔 탐색으로 전환한다. 시스템 모델은 단일 다운링크 링크를 가정하고, AP가 레이더·LiDAR·카메라 등으로부터 얻은 융합 특징 벡터 xₜ를 기반으로 사전 네트워크를 통해 빔에 대한 사전 확률 pₜ(b)를 생성한다. 사전은 로그잇 zₜ(b)를 온도 스케일링(Tₑ𝚏𝚏)으로 정규화해 캘리브레이션되며, 엔트로피 H(pₜ) 를 이용해 탐색 예산 Kₜ 를 동적으로 결정한다. 엔트로피가 낮으면 Kₘᵢₙ, 높으면 Kₘₐₓ, 중간이면 Kₘᵢ𝚍를 할당하고, 상위 세 확률 차이 gₜ 가 일정 임계값 τ_gap 미만이면 추가 빔을 하나 더 탐색한다. 보상 예측은 M개의 독립 딥 Q‑네트워크로 구성된 앙상블을 사용한다. 각 빔 b에 대해 평균 보상 µₜ(b)와 표준편차 τₜ(b)를 계산하고, τₜ(b) 를 에피스테믹 불확실성 프록시로 활용한다. 이를 정규화한 σₜ(b)와 사전 로그 log pₜ(b), 평균 보상의 z‑표준화값을 가중치 λ와 β 로 결합해 UCB‑형 스코어 sₜ(b)를 산출한다. 스코어가 높은 빔을 내림차순으로 정렬하고, 최소 회전각 dθ 를 유지하면서 Kₜ 개의 빔을 선택한다. 선택된 빔에 대해 파일럿을 전송하고 IQ 샘플 Zₜ,b 로부터 절대 SNR 프록시를 계산한다. 측정된 SNR이 사전 정의된 임계값 θ + Δ 를 초과하지 않을 경우, 이전 잠금 빔의 이웃 영역에서 가장 높은 SNR을 가진 빔으로 대체하는 안전 쉘드 메커니즘을 적용한다. 쉘드 작동 여부는 I_shieldₜ 로 기록해 신뢰성 지표와 함께 보고한다. 실험은 DeepSense‑6G 데이터셋을 사용해 진행되었다. 학습은 시나리오 42와 44, 테스트는 시나리오 43을 사용했으며, 21‑빔 DFT 코드북을 적용했다. 제안 방법은 평균 E