Indoor Statistical and Deterministic RCS Characterization for ISAC Channel Modeling

기술 요약: ISAC 채널 모델링을 위한 실내 통계적 및 결정론적 RCS 특성 분석

문제 정의
통합 감지 및 통신(ISAC)은 표적 산란 특성, 특히 레이더 단면적(RCS)을 고려하는 정확한 채널 모델링을 필요로 한다. 3GPP(3rd Generation Partnership Project)가 표준화를 위해 통계적 RCS 모델링(예: TR 38.901)을 채택했으나, 기존 문헌은 주로 무인 항공기(UAV)에 집중되어 있으며 로봇 팔(RA)이나 자율 이동 로봇(AMR)과 같은 다른 일반적인 실내 공장(InF) 표적에 대한 체계적인 통계적 특성 분석이 부족하다. 또한, 표준 통계 모델은 대개 거리 불변 랜덤 변수를 가정하는데, 이는 근거리 장(Near-Field, NF) 및 제어된 기하 구조에서 거리와 바이스태틱 각도에 따른 RCS의 체계적인 의존성을 포착하지 못한다. 본 연구는 다양한 InF 표적에 대한 측정 기반의 통계적 분포와 NF 바이스태틱 RCS 특성화를 위한 결정론적 프레임워크의 필요성을 해결하고자 한다.

연구 방법론
본 연구는 통계적 특성 분석과 결정론적 모델링이라는 두 가지 별도의 단계로 수행되었다.

1. 통계적 RCS 특성 분석:

   • 환경 및 표적: NYU Abu Dhabi의 실내 공장(InF) 환경에서 25–28 GHz 대역을 대상으로 측정을 수행하였다. 테스트 표적에는 두 종류의 UAV(DJI Mavic 2 Pro 및 Matrice 300 RTK), 로봇 팔(KUKA LBR fi 14 R820), 그리고 사족 보행 로봇(Boston Dynamics Spot)이 포함되었다.
   • 설정: 준-모노스태틱 구성($\theta_b \approx 10^\circ$)과 세 가지 바이스태틱 구성($\theta_b \in \{20^\circ, 40^\circ, 60^\circ\}$)을 활용하였다. 표적들은 고지향성 안테나(10° HPBW)의 주 빔 내에서 가시선(LoS)을 유지하면서도 종횡 다양성(aspect diversity)을 생성하도록 규정된 동작/포즈 프로토콜에 따라 움직였다.
   • 분석: 측정된 RCS 데이터에 정규 분포(Normal), 로그 정규 분포(Lognormal), 감마 분포(Gamma), 와이불 분포(Weibull) 등 네 가지 파라미터 분포를 적합(fitting)시켰다. 적합도(Goodness-of-Fit, GoF)는 콜모고로프-스미르노프(Kolmogorov-Smirnov, KS) 통계량과 경험적 누적 분포 함수(CDF)와 적합된 CDF 사이의 평균 제곱 오차(MSE)를 사용하여 평가하였다.

2. 결정론적 RCS 프레임워크:

   • 표적: 라미네이트 목재 직사각형 시트(1.84 m $\times$ 1.2 m)를 실내 핫스팟(InH) 복도의 전형적인 평면 반사체로 사용하였다.
   • 설정: 표적은 바이스태틱 각도($\theta_b$)와 거리($d$)를 체계적으로 변화시키기 위해 9개의 위치(2 m ~ 10 m)를 통과하였다.
   • 모델링: 저자들은 측정된 양방향 경로 손실(Path Loss, PL)과 수정된 부동 절편(Floating Intercept, FI) 및 근접(Close-In, CI) 모델을 결합하여 결정론적 NF 바이스태틱 RCS 모델을 도출하였다. $d, \lambda, \theta_b$에 대한 의존성을 포함하는 세 가지 후보 RCS 모델($\sigma_1, \sigma_2, \sigma_3$)을 제안하고 평균 적합 오차(Mean Fitting Error, MFE)를 사용하여 평가하였다.

주요 기여

1. 다양한 표적에 대한 통계적 분포: 본 연구는 UAV와 함께 InF 환경에서 로봇 팔 및 이동 로봇에 대한 최초의 체계적인 통계적 RCS 특성 분석을 제공한다. 또한, 다양한 주파수와 바이스태틱 각도에 걸쳐 로그 정규 분포와 감마 분포가 경험적 RCS 데이터에 가장 잘 부합함을 확인하였다.
2. 표준화를 위한 파라미터 추출: 추출된 분포 파라미터(예: Lognormal의 $\mu, \sigma$)는 범용 표적 클래스에 대해 보고되며, 이는 3GPP TR 38.901 스타일의 ISAC 시뮬레이터에 사용할 수 있는 측정 기반의 입력을 제공한다.
3. 결정론적 NF RCS 모델: 근거리 장(NF)에서 직사각형 시트의 유효 바이스태틱 RCS를 평가하기 위한 새로운 프레임워크를 제시한다. 이 모델은 PL 측정값을 바탕으로 검증되었으며, $d$와 $\theta_b$에 대한 의존성을 명시적으로 포착한다.
4. 통합 분석: 모든 표적과 구성에 대한 "승리 횟수(win counts)"를 집계하여, 특정 표적 형태(예: 간헐적인 산란 중심을 가진 민첩한 표적을 위한 Lognormal/Weibull vs 다양한 산란체를 가진 복잡한 플랫폼을 위한 Gamma)에 대해 어떤 분포 군이 가장 견고한지 결정한다.

결과

• 통계적 결과:
  • 최적 적합 분포: UAV의 경우, 감마 분포가 32개 사례 중 12개에서 가장 좋은 적합도를 보였으며, 와이불(11)과 로그 정규(9)가 그 뒤를 이었다. 로봇 팔의 경우 감마와 와이불 분포가 지배적이었다. 사족 보행 로봇의 경우, 16개 사례 중 7개에서 로그 정규 분포가 가장 적합했다.
  • 경향성: RCS는 일반적으로 바이스태틱 각도($\theta_b$)가 증가함에 따라 감소하였다. Matrice 300 RTK의 RCS는 더 큰 물리적 크기와 배터리 팩으로부터의 강한 경면 반사로 인해 Mavic 2 Pro보다 일관되게 높았다. 로봇 팔은 금속 성분으로 인해 UAV보다 현저히 높은 RCS를 나타냈다.
  • 주파수 의전성: 고정된 $\theta_b$에서 주파수가 증가함에 따라 RCS가 미세하게 증가하는 것이 관찰되었다.
• 결정론적 결과:
  • $\lambda^2 d^4$ 항까지 포함하는 3차 RCS 모델($\sigma_3$)이 일관되게 가장 낮은 평균 적합 오차(MFE)를 기록하였으며, 이는 정확한 NF 특성화를 위해 고차항이 필요함을 나타낸다.
  • 각도 지수 $m$은 $\sigma_3$ 모델에서 25 GHz에서의 약 -8.26부터 28 GHz에서의 -6.69까지 명확한 주파수 의존성을 보였다.
  • 본 연구는 표적 기하 구조의 변화(예: 시트 크기)가 단순한 상수 오프셋이 아니라 거리($d$) 및 파장($\lambda$) 의존적인 경로 손실 보정을 도입한다는 것을 입증하였다.

의의 및 주장
본 논문은 현재의 ISAC 채널 모델링 문헌의 공백을 메우는, 실내 공장 환경 내 로봇 팔 및 이동 로봇에 대한 최초의 측정 기반 통계적 RCS 분포를 제공한다고 주장한다. 로그 정규 및 감마 분포를 검증함으로써, 본 연구는 시스템 레벨 시뮬레이터 및 표준화된 채널 모델(예: 3GPP TR 38.901)에서 직접 사용할 수 있는 압축 가능하고 재현 가능한 파라미터를 제공한다.

결정론적 프레임워크와 관련하여, 저자들은 제어된 기하 구조 하의 평면 패싯으로부터 발생하는 경면 우세 반사에 대해 유효한, 구성 인지적이며 물리적으로 해석 가능한 NF 바이스태틱 RCS 모델을 구축했다고 주장한다. 저자들은 이 모델이 임의의 비경면 각도에 대한 일반적인 다중 정적 산란 모델을 위한 것이 아니라, 테스트된 시트 크기에 특화된 것이라고 명시하며, 다양한 표적 크기에 대한 프레임워크의 타당성 검증에는 추가 연구가 필요함을 겸허히 언급하였다. 궁극적으로, 이 연구는 표적 의존적 진폭 통계와 결정론적 거리/각도 시그니처를 미래의 ISAC 채널 모델링 표준에 통합하기 위한 기초적인 단계 역할을 한다.