⚡ electrical engineering

A Framework for Geometric-based Statistical Channel Modeling in ISAC Systems

본 논문은 채널을 타겟 성분과 배경 성분으로 분해함으로써 통신 성능의 동등성을 유지하는 동시에 다양한 시나리오에서 정확한 센싱 파라미터 추정을 가능하게 하는, 3GPP TR38.901 표준을 확장한 바이스태틱 통합 센싱 및 통신(ISAC) 시스템을 위한 포괄적인 기하학 기반 통계적 채널 모델링 프레임워크를 제안한다.

원저자: Ali Waqar Azim, Ahmad Bazzi, Theodore S. Rappaport, Marwa Chafii

게시일 2026-06-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ali Waqar Azim, Ahmad Bazzi, Theodore S. Rappaport, Marwa Chafii

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 북적이고 시끄러운 기차역에서 친구와 대화를 나누려고 한다고 상상해 보세요. 보통 엔지니어들은 당신의 목소리가 군중, 기둥, 사람들 사이를 어떻게 통과하고 튕겨 나가는지를 예측하는 모델(이것을 배경 채널이라고 합니다)을 만듭니다. 하지만 이제, 당신은 목소리를 이용해 방 건너편에 있는 특정 인물에게 신호를 보내 그 사람이 움직이고 있는지, 얼마나 멀리 있는지, 혹은 손을 흔들고 있는지 확인하려고 합니다(이것이 센싱 타겟입니다).

이 논문은 통신과 센싱을 동시에 수행하는 기술인 ISAC(통합 센싱 및 통신) 시스템을 위해, 그 시끄러운 기차역을 모델링하는 더 스마트한 방법을 제안합니다.

다음은 이들의 아이디어를 쉬운 비유를 사용하여 정리한 내용입니다.

1. 문제점: 옛날 지도 vs 새로운 현실

수년 동안 엔지니어들은 무선 신호가 어떻게 이동하는지 예측하기 위해 표준 지도(이를 TR38.901이라 부릅니다)를 사용해 왔습니다. 이 지도는 대화에는 훌륭합니다. 환경을 무작위적인 안개 구름처럼 취급하기 때문입니다. 이 지도는 "여기에 반사가 좀 있고, 저기에 좀 있고, 신호가 약해진다"라고 말합니다.

하지만 이 "안개 낀" 지도는 센싱(감지)에는 최악입니다. 만약 당신이 특정 자동차나 사람을 찾고 싶다면, 그 반사파가 정확히 어디에서 왔는지 알아야 합니다. 단순히 "안개 속 어딘가에서 튕겨 나왔다"라고 말해서는 안 됩니다. "오후 3시에 저 특정 빨간 기둥에 맞고 튕겨 나왔다"라고 알아야 합니다. 기존의 지도는 그 정도의 세부 정보를 제공하지 않으며, 당신이 찾으려는 물체의 특정 "형태"나 "반사 특성"(레이더 단면적, RCS)을 고려하지 않습니다.

2. 해결책: 두 층으로 된 케이크

저자들은 신호를 두 개의 뚜렷한 층으로 나누는 새로운 모델을 제안하는데, 이는 마치 두 층으로 된 케이크와 같습니다.

레이어 1: 배경 (기차역의 소음)
이 레이어는 벽, 무작위의 사람들, 기둥과 같은 일반적인 소음을 처리합니다. 여기에는 기존의 신뢰할 수 있는 "안개 낀" 지도(TR38.901)를 사용합니다. 왜냐하면 이는 단순히 A 지점에서 B 지점으로 메시지를 전달하는 데 완벽하기 때문입니다.
레이어 2: 타겟 (특정 인물)
이 레이어는 완전히 새롭습니다. 당신이 감지하려는 물체(자동차나 드론 같은)를 하나의 구체적이고 별개인 객체로 취급합니다. 무작위적인 안개 대신, 이 레이어는 **결정론적 기하학(deterministic geometry)**을 사용합니다. 이것은 방 안에 특정하고 단단한 마네킹을 배치하는 것과 같습니다. 모델은 그 마네킨의 정확한 위치, 속도, 그리고 얼마나 "반짝이는지" 또는 "반사성이 있는지"를 바탕으로 신호가 어떻게 마네킹에 부딪히고 되돌아오는지를 계산합니다.

3. 마법의 기술: 하이브리드 접근 방식

이 논문의 천재성은 이 두 레이어를 혼합하는 방식에 있습니다. 그들은 기존의 지도를 버린 것이 아니라, 그 위에 "스포트라이트"를 추가한 것입니다.

"스포트라이트" (결정론적 클러스터): 타겟을 위해, 그들은 신호가 지나가는 정확한 경로를 계산하기 위해 정밀한 수학을 사용합니다. 이를 통해 타겟이 움직이면 신호 지연과 각도가 물리적으로 완벽하게 논리적인 방식으로 변하게 됩니다. 이는 센싱에서 매우 중요합니다. 만약 수학이 완벽하지 않으면, 당신의 레이더는 자동차가 엉뚱한 곳에 있다고 판단할 것이기 때문입니다.
"안개" (확률적 클러스터): 그 외의 모든 것에 대해서는 기존의 무작위적이고 통계적인 안개를 유지합니다. 이는 모델을 빠르고 기존 5G/6G 표준과 호환되게 유지해 줍니다.

그들은 이를 **하이브लाइड 클러스터링 접근 방식(Hybrid Clustering Approach)**이라고 부릅니다. 이는 일반적인 비(안개)를 예측하면서도, 동시에 특정 폭풍 구름에 대해서는 고해상도 위성 이미지를 가지고 있어 우산을 어디에 써야 할지 정확히 알 수 있는 일기 예보를 갖는 것과 같습니다.

4. 왜 중요한가 (결과)

저자들은 세 가지 다른 "방"에서 자신들의 모델을 테스트했습니다: 대규모 도시(Urban Macro), 소규모 도시(Urban Micro), 그리고 공장 내부(Indoor Factory).

통신 성능: 이 새로운 모델이 메시지를 보내는 데 여전히 잘 작동하는지 확인했습니다. 결과는 어떠했을까요? 기존 표준만큼 잘 작동합니다. 모델의 "배경" 부분이 매우 뛰어나서, 휴대폰은 차이를 전혀 느끼지 못합니다.
센싱 성능: 물체를 찾는 데 효과적인지 확인했습니다. "스포트라이트" 레이어를 추가했기 때문에, 모델은 이제 타겟이 얼마나 멀리 있는지, 그리고 탐지가 가능한지를 정확하게 예측할 수 있습니다.
실제 검증: 그들은 단순히 컴퓨터 시뮬레이션만 돌린 것이 아닙니다. 실제로 드론(UAV)을 이용해 실험실에서 신호를 측정했습니다. 컴퓨터 모델은 실제 측정값과 매우 밀접하게 일치했으며, 이는 그들의 "수학적 마네킹"이 실제 드론처럼 행동한다는 것을 증명했습니다.

5. 핵심 요약

이 논문은 **통합된 프레임워크(unified framework)**를 제공합니다. 이전에는 통신 네트워크를 설계하기 위한 도구와 레이더 시스템을 설계하기 위한 완전히 다른 복잡한 도구가 필요했을 것입니다. 이 새로운 모델을 통해 엔지니어들은 대화와 감지를 동시에 수행하는 시스템을 설계하기 위해 단 하나의 프레임워크를 사용할 수 있습니다.

이 모델은 시스템이 **상호 호환적(reciprocal)**이며(나가는 신호와 돌아오는 신호가 동일한 물리적 법칙을 따름), **일관성(consistent)**을 갖도록(타이밍이 완벽함) 보장합니다. 이는 레이더가 작동하기 위해 가장 중요한 두 가지 요소입니다. 그러면서도 일반적인 모바일 네트워크만큼 효율성을 유지합니다.

요약하자면, 그들은 "소음"과 "타겟"을 분리하여 다르게 취급함으로써, 표준 휴대폰 네트워크처럼 똑똑하게 대화할 수 있으면서도, 레이더처럼 날카롭게 볼 수 있는 무선 모델을 구축한 것입니다.

기술 요약: ISAC 시스템을 위한 기하학 기반 통계적 채널 모델링 프레임워크

문제 정의
통합 감지 및 통신(ISAC)은 6G 시스템을 위한 변혁적인 패러다임으로, 신뢰할 수 있는 통신과 정확한 감지를 동시에 지원하는 통합된 채널 모델을 필요로 한다. 3GPP 기술 보고서(TR) 38.901과 같은 기존의 표준화된 채널 모델들은 주로 통신 중심의 시뮬레이션을 위해 설계되었다. 이 모델들은 순수하게 확률론적인 클러스터 모델링에 의존하며, 이는 감지 작업에 필요한 명시적이고 기하학적으로 일관된 산란체 표현이 결여되어 있다. 구체적으로, 표준 모델은 레이더 단면적(RCS) 및 관련 도플러 확산과 같은 타겟 특유의 특징을 고려하지 못하며, 타겟 위치 추정 및 탐지에 필수적인 절대적인 지연 정렬(absolute delay alignment)과 시공간적 일관성(spatiotemporal consistency)을 본질적으로 지원하지 못한다. 사이트 특정적 레이 트레이싱(site-specific ray-tracing)은 기하학적 충실도를 제공하지만, 그 계산 복잡성으로 인해 대규모 시스템 시뮬레이션에는 부적합하다. 본 논문은 TR 38.901을 확장하여 통신 성능을 저해하지 않으면서도 바이스태틱(bistatic) 감지를 지원하는 프레임워크를 제안함으로써, 기존의 확률론적 모델과 요구되는 기하학적 충실도 사이의 간극을 해결한다.

방법론
저자들은 바이스태틱 ISAC 시스템을 위한 포괄적인 기하학 기반 통계 모델(GBSM)을 제안한다. 이 방법론의 핵심은 ISAC 채널의 **이중 구성 요소 분해(dual-component decomposition)**이다:

배경 채널(Background Channel): 감지 타겟과 독립적인 모든 전파 경로를 나타낸다. 이 구성 요소는 TR 38.901의 확률론적 프레임워크를 엄격히 준수하며, 통계적 클러스터를 통해 가시선(LoS) 및 비가시선(NLoS) 경로를 모델링한다.
타겟 채널(Target Channel): 감지 타겟으로부터의 반사를 나타낸다. 이 구성 요소는 타겟의 RCS와 산란점(SPs)에 의해 매개변수화된다.

확률론적 모델링과 기하학적 요구 사항 사이의 간극을 메우기 위해, 본 논문은 하이브리드 클러스터링 접근 방식을 도입한다. 타겟 채널(특히 NLoS 조건) 내에서, 모델은 클러스터를 두 개의 하위 집합으로 분할한다:

확률론적 클러스터(Stochastic Clusters): 클러터(clutter)와 간섭을 나타내기 위해 표준 TR 38.901 절차를 사용하여 모델링된다.
결정론적 클러스터(Deterministic Clusters): 타겟 또는 환경 객체(EO)를 나타내는 기하학적으로 고정된 클러스터이다. 이 클러스터들은 사전 정의된 3D 위치, 방향 및 속도를 보유하여 엄격한 시공간적 일관성과 절대적인 지연 정렬을 보장한다.

이 프레임워크는 네 가지 근본적인 바이스태틱 구성(TRP-TRP, TRP-UE, UE-TRP, UE-UE)을 지원하며, 두 가지 타겟 배치 모드를 수용한다:

결정론적 배치(Deterministic Placement): 타겟의 3D 좌표를 지정하여 지연 및 각도를 기하학적으로 도출한다.
확률론적 배치(Stochastic Placement): TR 38.901 클러스터의 일부를 타겟 클러스터로 선택한 후 그 3D 좌표를 추정한다.

모델은 다양한 전파 상태(LoS/LoS, LoS/NLoS, NLoS/LoS, NLoS/NLoS)를 고려하고 이동하는 타겟 및 클러스터로부터의 도플러 이동을 포함하여, Tx-타겟 및 타겟-Rx 링크를 계층적으로 연결함으로써 채널 계수를 생성한다.

주요 기여

TR 3 8.901 구조의 이중 구성 요소 프레임워크: 본 논문은 TR 38.901의 절차적 구조를 유지하면서 ISAC를 위한 필요한 확장을 도입하는 GBSM을 제시한다. 이는 채널을 타겟 및 배경 구성 요소로 명시적으로 분리하며, 타겟을 단순히 클러스터 유지 여부가 아닌 RCS와 SPs를 통해 매개변수화한다.
하이브리드 확률론적-결정론적 클러스터링: 본 방법론은 표준 확률론적 클러스터에 기하학적으로 정의된 결정론적 클러스터를 보강한다. 이를 통해 감지 파라미터 추정(예: 거리 측정 및 위치 추정)에 중요한 절대적 지연 일관성과 채널 상호성(reciprocity)을 보장한다.
통합된 성능 검증: 프레임워크는 표준화된 Urban Macro (UMa), Urban Micro (UMi), Indoor Factory (InF) 시나리오에 걸쳐 검증된다. 검증 결과, 본 모델은 비트 오류율(BER) 및 채널 용량을 통해 확인된 바와 같이 TR 38.901과 동등한 통신 성능을 유지하는 동시에, 정확한 감지 성능 평가(타겟 거리 측정 오차 및 ROC 곡선을 통해 확인)를 가능하게 함을 보여준다.
환경 객체(EO) 통합: 본 프레임워크는 물리적으로 의미 있는 객체와 연결된 시공간적 일관성을 강제하기 위해 타겟과 유사한 속성(결정론적 클러스터)을 가진 Type-I EO를 도입하며, 이는 이전 연구들에서 명시적으로 모델링되지 않았던 기능이다.

결과

통신 성능: 시뮬레이션 결과, 제안된 ISAC 모델은 표준 TR 38.901 모델과 거의 대등하거나 경우에 따라 약간 더 우수한 BER 성능을 달하는 것으로 나타났다. 이는 결정론적 클러스터와 다중 산란점에 의해 제공되는 구조화된 반사 경로 덕분이다. 또한, 모델은 높은 타겟 RCS 값이 지배적인 고유 모드(eigenmodes)를 강화함으로써 에르고딕 채널 용량(ergodic channel capacity)을 향상시킬 수 있음을 보여준다.
감지 성능:
- 거리 측정(Range Estimation): 모델은 PARAMING 알고리즘을 사용하여 신뢰할 수 있는 타겟 거리 측정을 지원한다. 결과에 따르면, 타겟 RCS가 증가할수록 큰 바이스태틱 거리에 있는 타겟에 대해서도 위치 추정 정확도가 크게 향상된다.
- 탐지(Detection): 수신기 작동 특성(ROC) 곡선은 높은 RCS와 짧은 Tx-타겟-Rx 거리에서 탐지 확률( $P_d$ )이 개선됨을 보여준다.
- 검증: 시뮬레이션된 ISAC 채널과 측정된 ISAC 채널(InF 환경에서 UAV 타겟을 대상으로 수행됨) 간의 비교 분석 결과, 하드웨어 임펄스 및 타겟의 측면 변화(aspect variations)로 인한 미세한 BER 차이를 제외하고는 일관된 동작을 보였다.

의의
본 논문은 자신의 주요 의의가 기존 3GPP 표준과 하위 호환성을 갖춘 물리적으로 근거가 있는 생성적 프레임워크를 제공하는 데 있다고 주장한다. 결정론적 기하학을 통합하면서 TR 38.901 파이프라인을 보존함으로써, 이 모델은 단일 시뮬레이션 환경 내에서 통신 및 감지 기능의 동시 평가를 가능하게 한다. 이를 통해 공유 채널 내에서 감지와 통신(S&C) 사이의 복잡한 상호작용 및 상호 제약 조건을 분석할 수 있다. 이 프레임워크는 전면적인 레이 트레이싱의 과도한 계산 비용 없이, 통합 액세스 및 백홀(IAB) 아키텍처에서의 네트워크 수준 결정, 타겟 분류, 인간 활동 인식과 같은 과업을 지원하는 미래 ISAC 시스템 설계의 기초적인 도구로 자리매김하고 있다.