Hierarchical Coherent Imaging of Composite Anisotropic Moving Targets in ISAC

기술 요약: ISAC 에서의 복합 이방성 이동 표적에 대한 계층적 일관성 영상화

문제 제기
통합 감지 및 통신 (ISAC) 네트워크, 특히 분산 ISAC(DISAC) 은 다수의 사용자 장비 (UE) 간 위상 일관성 신호 처리를 활용하여 환경의 고해상도 전파 영상을 생성할 수 있는 잠재력을 제공합니다. 그러나 기존 영상화 기법은 현실적이고 동적인 시나리오에 적용될 때 두 가지 치명적인 한계에 직면합니다:

1. 등방성 산란 가정: 기존 문헌은 일반적으로 표적을 독립적인 등방성 점 산란체들의 집합으로 모델링합니다. 이는 인간 몸체나 기계와 같은 확장된 표적의 산란 응답이 관측 각도에 따라 크게 변하는 이방성을 고려하지 못합니다. DISAC 네트워크에서는 노드가 넓은 각도에 분포되어 있으므로, 일관성 융합을 시도할 때 위상 불일치와 영상 초점 이탈을 초래합니다.
2. 정적 표적 가정: 대부분의 기존 영상화 알고리즘은 정적 표적이나 강체 운동을 가정합니다. 이들은 독립적인 속도로 움직이는 여러 부분으로 구성된 복합 이동 표적(예: 팔을 움직이며 걷는 사람) 을 처리하지 못합니다. 이러한 방법들은 종종 단순한 도플러 보상 (예: 중심점 및 속도) 에 의존하는데, 이는 독립적으로 움직이는 구성 요소들이 생성하는 다중 모드 도플러 스펙트럼을 해결하지 못해 심각한 영상 초점 이탈과 클러터를 유발합니다.

방법론: MOSAIC
저자들은 분산 비동기 ISAC 네트워크를 위해 설계된 계층적 영상화 알고리즘인 MOSAIC(일관성 및 비일관성 융합을 통한 이방성 하의 이동 표적 감지) 을 제안합니다. 이 방법은 전용 감지 파형이 필요 없이 업링크 파일럿 신호 (예: DMRS) 를 활용합니다. 핵심 워크플로우는 네 가지 주요 단계로 구성됩니다:

1. 이방성 모델링 및 UE 클러스터링:

   • 저자들은 확장된 표적 부분의 산란 위상에 대한 분석적 모델을 유도하여, UE 간의 위상 불일치가 이중 정적 관측 각도 차이와 2 차적으로 관련됨을 입증했습니다.
   • 이를 바탕으로, 위상 일관성을 보장하기 위해 이중 정적 각도가 충분히 유사한 UE 를 클러스터로 그룹화합니다. 이는 표적의 서로 다른 정점 (specular points) 을 관측하는 널리 분리된 각도에서 신호를 결합함으로써 발생하는 초점 이탈을 방지합니다.

2. 도플러 추정 및 클러스터 내 연관:

   • 각 UE 에 대해 저해상도 영상을 생성합니다. 도플러 스펙트럼을 추정하여 서로 다른 표적 부분의 정점 반사에 해당하는 피크를 식별합니다.
   • 각 클러스터 내에서 도플러 피크를 UE 간에 연관시켜 개별적인 이동 부분을 식별합니다.

3. 도플러 보상 클러스터 내 일관성 영상화:

   • 식별된 각 표적 부분에 대해, 해당 부분의 속도와 클러스터의 기하학에 특화된 도플러 사전 보상을 수행합니다.
   • 수정된 백프로젝션 알고리즘이 보상된 신호를 느린 시간 (slow-time) 에 걸쳐 통합합니다. 이 단계는 특정 표적 부분의 영상에 초점을 맞추면서 다른 부분 (서로 다른 도플러 편이를 가진) 의 기여는 파괴적 간섭을 일으켜 효과적으로 분리합니다.
   • 이를 통해 고해상도 부분별 영상을 생성하고, 클러스터 내 각 부분의 주요 산란 중심 위치를 추정합니다.

4. 클러스터 간 연관 및 전역 비일관성 융합:

   • 알고리즘은 UE-BS-표적 삼각형의 기하학적 다양성을 활용하여 각 표적 부분의 전역 속도 벡터를 추정하기 위해 서로 다른 클러스터 간의 도플러 피크를 연관시킵니다.
   • 마지막으로, 모든 클러스터의 부분별 영상을 비일관성으로 결합합니다. 이 단계는 넓은 각도에서의 관측을 통합하여 표적의 전체 형상을 재구성하며, 단일 클러스터의 관측 각도 한계를 극복합니다.

주요 기여

• 복합 표적을 위한 최초의 계층적 영상화: MOSAIC 은 등방성 및 정적 모델의 한계를 극복하고 분산 ISAC 네트워크에서 복합 이방성 이동 표적의 고해상도 영상을 수행하는 최초의 알고리즘입니다.
• 이방성 인식 클러스터링: 이 문서는 이방성 모델에서 유도된 이중 정적 각도 임계값에 기반한 클러스터링 규칙을 도입하여, 넓은 개구면에서의 위상 오류를 피하면서 그룹 내 일관성 처리를 가능하게 합니다.
• 해상 메커니즘으로서의 도플러: MOSAIC 은 도플러 편이를 단순히 초점 이탈의 원인으로 보지 않고, 부분별 사전 보상을 통해 독립적으로 움직이는 표적 부분을 해결하고 분리하는 추가 자유도로 활용합니다.
• 저복잡도 속도 추정: 클러스터 간 도플러 주파수를 연관시킴으로써, 이 방법은 exhaustive velocity search 의 prohibitive 복잡성을 피하고 데시미터/초 (dm/s) 수준의 정확도로 속도 벡터를 추정합니다.

결과
7 GHz 반송파 주파수와 400 MHz 대역폭을 사용하여 광범위한 수치 시뮬레이션을 수행하였으며, MOSAIC 을 도플러 중심점/속도 사전 보상 (DCR), 평균 도플러 보상, 도플러 보상 없음의 세 가지 벤치마크와 비교했습니다.

• 영상 품질: MOSAIC 은 최신 기법 대비 1-Wasserstein 거리로 측정된 영상 품질이 50% 이상 향상됨을 입증했습니다. 벤치마크가 신뢰할 수 없거나 불완전한 영상을 생성한 복합 표적 (예: 움직이는 팔이 있는 몸통) 의 형상을 성공적으로 재구성했습니다.
• 속도 추정: 이 방법은 관심 영역 (ROI) 주변에 UE 가 충분히 분포되어 있다면 dm/s 수준의 속도 추정 오차를 달성했습니다.
• 강건성: 계층적 접근 방식은 UE 위치 추정 오차 (최대 파장 표준 편차) 및 다양한 반송파 주파수 (3~26 GHz) 에 대해 강건함을 입증하여, 완전 일관성 방법이 실패하는 환경에서도 성능을 유지했습니다.

의의 및 주장
이 논문은 MOSAIC 이 현재 DISAC 영상화 문헌의 근본적인 격차를 해소한다고 주장합니다. 해당 문헌은 주로 등방성 산란을 가진 정적 또는 강체 표적에 초점을 맞춰 왔습니다. 도플러 편이를 부분 분리 도구로 재해석하고 계층적 일관성/비일관성 융합 전략을 도입함으로써, MOSAIC 은 6G 네트워크에서의 인간 제스처 인식 및 군중 감지와 같은 세분화된 감지 응용을 가능하게 합니다. 저자들은 이방성과 복잡한 운동의 한계를 관리 가능한 매개변수로 변환하여 동적이고 분산된 환경에서의 고해상도 전파 영상화를 위한 실용적인 경로를 제시한다고 강조합니다.