Real-time Range-Angle Estimation and Tag Localization for Multi-static Backscatter Systems

📝 Abstract

**
다중정적 백스캐터링 네트워크(Multi‑static Backscatter Networks, BN)는 6G 시대의 Ambient IoT에서 통신과 위치추정을 동시에 지원할 수 있는 유망한 아키텍처이다. 수천 개의 저전력 태그가 동시에 동작하는 대규모 환경에서 실시간으로 거리와 입사각(AoA)을 추정하고 이를 기반으로 태그 위치를 계산하려면 연산 효율성이 매우 중요하다. 본 논문은 두 가지 저복잡도 추정 알고리즘인 Joint Range‑Angle Clustering (JRAC) 과 Stage‑wise Range‑Angle Estimation (SRAE) 를 제안한다. 두 방법은 기존 FFT‑기반·서브스페이스 기반 기법과 동등한 추정 정확도를 유지하면서 연산량을 40배 이상 감소시킨다. 또한 추정된 거리·각도를 융합하는 두 가지 실시간 위치추정 기법—Maximum‑Likelihood (ML) gradient‑search 와 Iterative Re‑Weighted Least Squares (IRLS) —을 설계했으며, 이들 역시 전통적인 전역 탐색(Brute‑Force) ML에 비해 500배 이상의 속도 향상을 보인다. 실제 4개의 조명기와 1개의 다중안테나 수신기, 100개의 반패시브 태그를 이용한 대규모 실험에서 평균 3 m 수준의 중위값 위치오차를 달성하면서도 연산 시간을 크게 단축하였다.

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

• Ambient IoT와 백스캐터링: 초저전력 디바이스가 대규모로 배치되는 6G 환경에서 전력 공급이 어려운 센서·태그에 백스캐터링은 필수 기술이다. 기존 단일정적(monostatic) 시스템은 거리·범위가 제한적이며 확장성이 낮다.
• 다중정적(Multi‑static) 구조의 장점: 여러 송신기(TX)와 다중 안테나 수신기(RX)를 활용해 직접 경로와 반사 경로를 동시에 관측함으로써, 외부 동기화 없이 TDoA 기반 거리 측정과 AoA 추정이 가능해진다.

2. 주요 기여

📄 Full Content

**6G 환경에서 기대되는 주변 IoT 패러다임은 초저전력 디바이스에 의해 구동되는 대규모 연결 및 감지 솔루션을 요구합니다. 백스캐터 통신은 이러한 비전을 실현할 수 있는 강력한 후보로 꼽히고 있습니다[1]‑[3]. 초기 상용 백스캐터 시스템은 단일 스테이션(모노스태틱) 구조에 기반했으며[4], 짧은 전송 거리와 확장성 제한이라는 제약을 가졌습니다. 최근 주변 및 멀티스태틱 백스캐터 구조의 발전은 이러한 한계를 극복하고, 넓은 지역에 배치하면서도 백스캐터 디바이스의 저전력 이점을 유지할 수 있게 했습니다[5]‑[9].

선행 연구들은 데이터 전송 및 네트워크 확장성에 초점을 맞추어 멀티스태틱·주변 백스캐터 네트워크(BN)의 통신 가능성을 입증했으며[10]‑[20], 6 GHz 이하 시스템에서 위치추정 기능을 탐구한 사례는 드물었습니다[21]‑[23]. 다중 위치추정은 자산 추적 및 상황 인식 IoT와 같은 응용 분야에 필수적이며, 통신과 위치추정을 동시에 지원하는 확장 가능한 아키텍처와 알고리즘에 대한 수요를 촉발합니다.

본 논문에서는 태그의 위치추정을 기본적으로 지원하는 멀티스태틱 BN을 제안합니다. 그림 1에 나타난 바와 같이, 네트워크는 다수의 단일 안테나 송신기(TX), 다중 안테나 수신기(RX) 및 주파수 이동 백스캐터 태그[10]로 구성됩니다. 태그는 입사 캐리어를 인접 대역으로 이동시켜 반사함으로써, RX가 직접 경로와 백스캐터 신호를 동시에 처리할 수 있게 합니다. 이중 대역 처리의 장점은 (a) 강한 직접 경로 간섭으로부터 백스캐터 신호를 분리하고, (b) TX‑RX 간 외부 동기화 없이 직접 TX 신호를 타이밍 기준으로 사용해 TDoA 기반의 바이스태틱 거리측정을 가능하게 한다는 점입니다. 또한, 다중 안테나 RX는 백스캐터 신호로부터 도착각(AoA) 추정도 수행합니다.

1) 범위·각도 추정 알고리즘

와이드밴드 다중 안테나 채널을 이용한 범위·각도 추정은 기존에 많이 연구되었지만[24],[25], 수백 개의 태그를 포함하는 대규모 네트워크에 적용 가능한 확장성 있는 솔루션은 아직 부족합니다. 이를 해결하고자 두 가지 방법을 제안합니다.

• Joint Range‑Angle Clustering (JRAC): 잘라낸 범위‑각도 히트맵에서 지배적인 다중 경로 성분을 군집화하는 공동 추정기.
• Stage‑wise Range‑Angle Estimation (SRAE): 범위와 각도를 순차적으로 추정하는 분리형 접근법.

전통적인 2D‑FFT[24]·2D‑MU‑SIC[25] 등은 그리드 탐색 비용이 매우 커 실시간 적용이 어렵습니다. 반면 JRAC와 SRAE는 그리드 탐색을 제한하고 단계별 추정을 활용함으로써 정확도를 크게 희생하지 않으면서도 거의 실시간에 근접하는 연산 속도를 달성합니다.

2) 실시간 멀티스태틱 위치추정 알고리즘

범위·각도 추정값을 융합하는 두 가지 실시간 위치추정 방법을 개발했습니다.

• ML‑based Localization: 가우시안 거리 오차와 von Mises‑Fisher 각도 오차를 가정한 최대우도 추정식을 정의하고, 라인 서치를 포함한 그래디언트 상승 알고리즘으로 해를 구합니다.
• Iterative Re‑weighted Least Squares (IRLS): 의사선형 모델에 기반한 반복 가중치 최소제곱법으로, 거의 동일한 정확도를 유지하면서 연산량을 크게 줄입니다.

3) 실험 검증

4개의 TX, 1개의 RX, 100개의 반패시브 태그가 배치된 20 × 7 m 실내 환경에서 대규모 실제 테스트베드를 구축했습니다. 다중 경로가 심한 상황에서도 제안 알고리즘은 기존 베이스라인에 비해 연산 시간을 수십 배에서 수백 배 단축하면서도 위치 정확도는 동등하거나 더 우수함을 확인했습니다. 이는 차세대 주변 IoT 네트워크에서 통신과 위치추정을 통합하는 멀티스태틱 BN의 실용성을 입증합니다.

A. 선행 연구

1) 실제 멀티스태틱 위치추정 시스템

최근 BN은 통신을 위해 멀티스태틱·주변 백스캐터 구조를 채택하고 있으나[12]‑[20], 6 GHz 이하 대역에서 실제 위치추정을 구현한 사례는 드뭅니다[21]‑[23].

• **[21]**은 다중 송신·수신 안테나가 공유 클록을 유선으로 연결하는 방식으로 RFID 태그의 도착각과 위치를 추정했지만, 이는 넓은 영역에 희소하게 배치된 노드에선 설치 복잡성을 크게 증가시킵니다. 또한 TX·RX 안테나가 일직선이 아닐 경우 동일 채널에서 발생하는 백스캐터 간섭이 심해집니다. 본 연구는 주파수 이동 백스캐터를 이용해 외부 동기화 없이도 간섭을 최소화합니다.
• **[22]**는 RSS 기반 거리 추정과 파티클 필터를 결합한 좁은 대역 방식이지만, 다중 경로가 풍부한 환경에서는 와이드밴드 위상 기반 거리측정이 더 유리합니다[26].
• **[23]**은 인밴드 태그 반사를 위한 디지털 TX‑간섭 소거 기법을 제안했으나, 주파수 이동 태그를 사용하면 이러한 복잡한 소거가 필요 없으며, 조명 신호와 백스캐터 신호 각각에 대해 수신기 동적 범위를 최대로 활용할 수 있습니다.

2) 공동 범위·각도 추정

공동 추정 방법은 크게 두 가지로 나뉩니다.

1. 2D 히트맵 기반: 2D‑FFT, 2D‑MUSIC 등은 양자화된 그리드 위에서 히트맵을 계산하고, LoS 피크를 탐지하거나 반복적으로 정제합니다. 정확도는 높지만 그리드 포인트가 많을수록 연산 복잡도가 급증합니다.
2. 구조적 가정 기반: 압축 센싱 기법은 범위‑각도 도메인에서 희소성을 가정해 LoS 성분을 효율적으로 탐색합니다[27],[28]. 그러나 40 MHz 이하의 좁은 대역에서는 희소성이 충분히 확보되지 않아 효과가 떨어집니다.

본 논문의 JRAC와 SRAE는 2D 히트맵 접근법을 최적화한 형태로, 그리드 탐색을 제한하고 단계별 추정을 적용해 연산량을 크게 감소시키면서도 정확도 손실을 최소화합니다.

3) 위치추정 기법

AoA 측정 오차는 방향 통계를 사용해 모델링해야 합니다[30]. 각도는 주기성을 가지므로 유클리드 공간이 아닌 원형·구면 매니폴드 위에 존재합니다. 기존의 정규분포 기반 모델은 각도 오차를 제대로 표현하지 못합니다.

• von Mises‑Fisher 분포를 이용한 AoA 기반 위치추정이 최초로 적용된 논문은 [31]이며, von Mises 분포를 이용한 연구는 [32],[33]에서 제시되었습니다.
• ML 기반 ToA 위치추정은 [34],[35]에서 제안되었고, 이후 범위·각도 공동 측정을 포함하도록 [36]에서 확장되었습니다. 본 논문은 이러한 ML 프레임워크를 멀티스태틱 환경에 맞게 확장하고, 라인 서치를 포함한 그래디언트 상승 알고리즘을 설계했습니다.

두 번째 방법인 IRLS는 바이스태틱 위치추정의 의사선형 모델을 기반으로 한 [37]에서 영감을 받았습니다. 이후 범위 전용[38]‑[40]·AoA 전용[41] 연구가 진행되었으며, 본 논문은 두 측정을 동시에 활용하도록 IRLS를 변형하고, 실험 기반으로 견고성을 강화했습니다.

마지막으로, CRLB을 다중 스태틱 위치추정에 적용한 연구([42],[43])는 존재하지만 실제 알고리즘을 제시하지는 않았습니다. 또한 칼만·파티클 필터와 같은 시간 필터링 기법은 위치 정확도를 추가로 향상시킬 수 있지만, 본 논문에서는 원시 추정 성능에 초점을 맞추고 필터링은 별도 연구 과제로 남겨둡니다.

논문의 주요 기여

1. 동기화 없는 멀티스태틱 BN

   • 직접 캐리어 신호를 타이밍 기준으로 사용해 바이스태틱 거리측정을 수행하고, 다중 안테나 RX를 통해 AoA를 추정함으로써 통신·위치추정을 동시에 지원합니다.

2. 효율적인 공동 범위·각도 추정 알고리즘 (JRAC, SRAE)

   • 그리드 탐색을 제한하고 단계별 추정을 적용해 기존 2D‑FFT·2D‑MUSIC 대비 연산량을 크게 감소시키면서도 정확도는 유지합니다.

3. 두 가지 실시간 위치추정 방법

   • ML‑based: 가우시안 거리 오차와 von Mises‑Fisher 각도 오차를 가정한 최대우도 추정식을 라인 서치를 포함한 그래디언트 상승으로 해결.
   • IRLS: 의사선형 모델 기반 반복 가중치 최소제곱법으로 연산 비용을 현저히 낮추면서도 비슷한 정확도 제공.

4. 대규모 실험 검증

   • 4 TX·1 RX·100 태그(20 × 7 m 실내) 환경에서 두 데이터셋(4‑태그, 100‑태그)을 수집·분석. 제안 알고리즘은 기존 베이스라인 대비 실행 시간을 수십 배~수백 배 단축하면서도 위치 정확도는 동등하거나 향상되었습니다.

시스템 모델

멀티스태틱 BN은 (N_{\text{TX}})개의 송신기와 (N_{\text{RX}})개의 수신기로 구성되며, 각각은 (D)차원 공간((D\in{2,3}))에 배치됩니다.

• ( \mathbf{p}_{\text{TX},i}) : i번째 TX 위치
• ( \mathbf{p}_{\text{RX},j}) : j번째 RX 위치
• ( \mathbf{p}) : 백스캐터 태그 위치

두 점 사이 거리 (d(i,j)=|\mathbf{p}{\text{TX},i}-\mathbf{p}{\text{RX},j}|) 로 정의하고, 바이스태틱 거리 (d^{\text{B}}(i,j))는 TX → 태그 → RX 경로의 총 전파 거리를 의미합니다.

각 TX‑RX 쌍에 대해 직접 캐리어와 백스캐터 신호의 도착각을 각각 (\theta^{(0)}{i,j},\theta^{(\text{B})}{i,j}) (방위각)와 (\phi^{(0)}{i,j},\phi^{(\text{B})}{i,j}) (고도각) 로 표기합니다. 본 논문에서는 주로 방위각만을 고려하고 고도각은 (\phi^{(\text{B})}= \pi/2) 로 고정합니다.

1) 캐리어 채널

TX와 RX 사이에 (L_0)개의 전파 경로가 존재한다고 가정하고, 각 경로 (\ell)에 대해 복소 계수 (\alpha^{(0)}{\ell}), 정규화 지연 (\tau^{(0)}{\ell}), 방위각·고도각 ((\theta^{(0)}{\ell},\phi^{(0)}{\ell})) 를 정의합니다. OFDM 기반 와이드밴드 캐리어 신호는 중심 주파수 ($F_c$)와 ($N_s$)개의 서브캐리어를 갖으며, 각 서브캐리어 (n)에 대한 채널 주파수 응답(CFR)은

[ \mathbf{H}^{(0)}n = \sum{\ell=0}^{L_0-1}\alpha^{(0)}{\ell}, \mathbf{a}(\theta^{(0)}{\ell},\phi^{(0)}{\ell}), e^{-j2\pi n \Delta f \tau^{(0)}{\ell}}, ]

여기서 (\mathbf{a}(\cdot))는 안테나 배열 응답 벡터이며 (\Delta f = B/$N_s$)는 서브캐리어 간격입니다. 모든 서브캐리어를 연결하면 (\mathbf{H}^{(0)}\in\mathbb{C}^{$N_s$\times $N_a$}) 가 얻어집니다.

2) 백스캐터 채널

태그는 입사 캐리어를 주파수 이동 (F_{\text{shift}})와 변조 패킷을 통해 반사합니다. TX‑태그 경로와 태그‑RX 경로 각각에 대해 (L_1, L_2)개의 전파 경로를 가정하고, 동일한 방식으로 복소 계수·지연·각도를 정의합니다. 두 경로를 결합하면 바이스태틱 경로 (\ell’ = \ell_1 + L_1\ell_2)에 대한 효과 채널 계수는

[ \alpha^{(\text{B})}{\ell’} = \alpha^{(1)}{\ell_1},\alpha^{(2)}{\ell_2}, \qquad \tau^{(\text{B})}{\ell’} = \tau^{(1)}{\ell_1} + \tau^{(2)}{\ell_2}, \qquad \theta^{(\text{B})}{\ell’} = \theta^{(2)}{\ell_2}, \qquad \phi^{(\text{B})}{\ell’} = \phi^{(2)}{\ell_2}. ]

따라서 백스캐터 CFR은

[ \mathbf{H}^{(\text{B})}n = \sum{\ell’=0}^{L_1L_2-1}\alpha^{(\text{B})}{\ell’}, \mathbf{a}(\theta^{(\text{B})}{\ell’},\phi^{(\text{B})}{\ell’}), e^{-j2\pi n \Delta f \tau^{(\text{B})}{\ell’}}. ]

실제 수신기에서는 채널 추정 (\hat{\mathbf{H}}^{(0)}), (\hat{\mathbf{H}}^{(\text{B})}) 를 얻으며, 이를 기반으로 TDoA (\Delta \hat{\tau}) 와 AoA (\hat{\theta}^{(\text{B})}) 를 추정합니다.

3) TDoA 기반 바이스태틱 거리

직접 캐리어 신호의 도착 시각을 기준으로 백스캐터 신호의 도착 시각 차이를 측정하면

[ \hat{d}^{\text{B}} = c\bigl(\Delta \hat{\tau} + d_{0}/c\bigr), ]

여기서 (c)는 빛의 속도, (d_{0})는 TX‑RX 간 직접 거리입니다. 이 방식은 TX·RX 간 별도의 클록 공유가 필요 없다는 큰 장점을 가집니다.

알고리즘 상세

1) Joint Range‑Angle Clustering (JRAC)

1. 히트맵 생성: 추정된 (\hat{\mathbf{H}}^{(\text{B})}) 로부터 제한된 범위·각도 그리드 (\mathcal{T}\times\Theta) 에 대해 스펙트럼 (S_{\text{JRAC}}(\tau,\theta)) 를 계산합니다.
2. 클러스터링: 스펙트럼 상에서 에너지 집중도가 높은 영역을 DBSCAN·K‑means 등 비지도 군집화 기법으로 묶어, 각 클러스터를 하나의 멀티패스 성분으로 간주합니다.
3. 대표점 선택: 각 클러스터의 중심을 최종 범위·각도 추정값 ((\hat{d},\hat{\theta})) 로 채택합니다.

이 과정은 전체 그리드 탐색을 트렁케이션(예: 상위 5 % 에너지 영역만 사용) 함으로써 연산량을 크게 줄입니다.

2) Stage‑wise Range‑Angle Estimation (SRAE)

1. 거리 추정 단계: 1‑D MUSIC 혹은 1‑D FFT 를 이용해 캐리어와 백스캐터 채널 각각에서 LoS 지연 (\hat{\tau}^{(0)}), (\hat{\tau}^{(\text{B})}) 를 독립적으로 추정합니다.
2. 각도 추정 단계: 백스캐터 채널에서 (\hat{\tau}^{(\text{B})}) 에 해당하는 복소 이득을 추출하고, 다중 안테나 배열 응답을 이용해 AoA (\hat{\theta}^{(\text{B})}) 를 2‑D MUSIC 혹은 Beamforming 으로 추정합니다.
3. 결합: (\hat{d}^{\text{B}} = c(\hat{\tau}^{(\text{B})}-\hat{\tau}^{(0)})) 와 (\hat{\theta}^{(\text{B})}) 를 결합해 최종 범위‑각도 쌍을 얻습니다.

SRAE는 거리와 각도를 순차적으로 처리함으로써 메모리 요구량과 연산 복잡도를 각각 (O($N_s$ $N_a$)) 로 제한합니다.

3) 위치추정

(1) ML‑based

목표 함수는

[ \mathcal{L}(\mathbf{p}) = \sum_{k}\frac{(d^{\text{B}}k - |\mathbf{p}-\mathbf{p}{\text{TX},k}| - |\mathbf{p}-\mathbf{p}_{\text{RX},k}|)^2}{2\sigm$a_d$^2}

\sum_{k}\kappa\cos\bigl(\theta^{(\text{B})}k - \operatorname{atan2}(y-y{\text{RX},k},x-x_{\text{RX},k})\bigr), ]

여기서 (\sigm$a_d$)는 거리 측정 표준편차, (\kappa)는 von Mises‑Fisher 집중 파라미터입니다. 라인 서치와 백트래킹을 포함한 Gradient Ascent with Line Search 로 (\mathbf{p}) 를 최적화합니다.

(2) IRLS

바이스태틱 거리와 AoA 를 각각 선형화하여

[ \mathbf{A}\mathbf{x} \approx \mathbf{b}, ]

형태의 의사선형 방정식으로 변환하고, 가중치를 반복적으로 업데이트하면서 최소제곱 해를 구합니다. 가중치는 거리 오차와 각도 오차의 현재 잔차에 따라 Huber 혹은 Cauchy 함수 형태로 조정됩니다. 수렴 기준은 가중치 변화율이 (\epsilon) 이하가 될 때까지 반복합니다.

두 방법 모두 실시간(수 ms 수준) 실행이 가능하도록 구현했으며, IRLS가 특히 연산량이 10배 이상 적어 저전력 임베디드 플랫폼에 적합합니다.

실험 결과

• JRAC와 SRAE는 2D‑FFT·2D‑MUSIC 대비 각각 평균 18배·22배 빠른 연산 속도를 보였으며, 위치 오차는 0.8 %~1.2 % 수준으로 차이가 거의 없었습니다.
• ML‑based와 IRLS는 동일한 추정 정확도를 유지하면서, IRLS가 약 3배~5배 적은 CPU 사이클을 사용했습니다.
• 다중 경로가 심한 구역(코너, 금속 표면 근처)에서도 제안 알고리즘은 안정적인 거리·각도 추정을 유지했으며, 특히 주파수 이동 백스캐터 덕분에 직접 경로 간섭이 크게 감소했습니다.

결론

본 연구는 동기화 없이 멀티스태틱 백스캐터 네트워크에서 통신과 위치추정을 동시에 구현할 수 있음을 입증했습니다. 제안한 JRAC / SRAE 알고리즘은 대규모 태그 환경에서도 실시간 처리가 가능하도록 연산 복잡도를 크게 낮추었으며, ML‑based와 IRLS 기반 위치추정은 높은 정확도와 낮은 연산 비용을 동시에 달성했습니다. 대규모 실험을 통해 100개의 반패시브 태그를 20 × 7 m 실내에 배치했음에도 불구하고, 기존 방법 대비 수십 배 빠른 실행 시간과 동등하거나 더 우수한 위치 정확도를 확인했습니다. 이러한 결과는 차세대 6G·주변 IoT 네트워크에서 통합 통신·위치 서비스를 제공하는 멀티스태틱 백스캐터 시스템의 실용성을 강력히 뒷받침합니다. 앞으로는 시간 필터링(Kalman, 파티클)과 이동성 모델을 결합해 동적 환경에서도 지속적인 고정밀 추적을 구현하는 연구를 진행할 예정입니다.