Phase-Only Positioning in Distributed MIMO Under Phase Impairments: AP Selection Using Deep Learning

기술 요약: 위상 결함이 존재하는 분산형 MIMO 환경에서의 위상 전용 위치 결정

1. 문제 정의

캐리어 위상 위치 결정(CPP)은 ToA(도착 시간) 또는 TDoA(도착 시간 차이) 측정을 사용하지 않고 오직 캐리어 위상 관측만을 활용함으로써 차세대 무선 시스템에서 센티미터 수준의 정확도를 달ica할 수 있는 잠재력을 제공한다. 최근 문헌들은 위상 전용 측정을 사용하는 분산형 다중 입출력(D-MIMO) 네트워크에서 높은 정확도가 달성 가능함을 시사하고 있으나, 실제 배포 시에는 상당한 어려움에 직면한다. 구체적으로, 분산된 안테나 지점(AP) 간의 위상 동기화 오차는 성능을 본질적으로 저하시킨다. 또한, 차세대 네트워크는 엄격한 지연 시간 준수를 요구하므로 모델 복잡도를 줄여야 한다. 기존 방식들은 위상 동기화 오차와 D-MIMO 시스템에서 사용 가능한 모든 모호성 조합을 처리해야 하는 계산 부하의 결합된 영향을 적절히 해결하지 못하는 경우가 많다.

2. 방법론

본 논문은 딥러닝(DL)과 쌍곡선 교차법(hyperbola intersection method)을 결합하여 위상 결함 하에서도 견고하고 정밀한 위치 결정을 달성하는 학습 기반 위치 관리 기능(LMF) 프레임워크인 분산형 LMF(DLMF)를 제안한다. 이 방법론은 세 가지 주요 구성 요소로 이루어진다.

2.1 시스템 모델 및 차분 측정

시스템은 $I$개의 공간적으로 분산된 AP와 미지의 위치 $x_{ue}$에 있는 사용자 단말(UE)을 갖는 업링크 구성을 가정한다. $i$번째 AP에서 수신된 신호의 위상은 파장 의존적 거리, DLMF와 AP 간의 위상 섭동, UE-DLMF 위상 오프셋, 정수 모호성 및 측정 노이즈를 포함하도록 모델링된다.
공통 위상 오프셋을 완화하기 위해, 시스템은 참조 AP($i=0$)와 다른 AP들($m \in \{1, \dots, I-1\}$) 사이의 차분 측정을 활용한다. 이러한 차분 측정은 기하학적으로 정수 모호성 차이($\Delta z_m$)에 의해 매개변수화된 쌍곡선의 집합에 해당한다.

2.2 모호성 추정을 포함한 쌍곡선 교차

핵심 위치 결정 모델은 다음을 포함하는 쌍곡선 교차법을 채택한다:

1. 차분 모호성 추정기: 차분 위상 측정값으로부터 차분 모호성 벡터($\Delta \hat{z}$)를 추정하는 다층 퍼셉트론(MLP).
2. 경사 하강법(GD) 솔버: 추정된 차분 거리를 사용하여 UE 위치 추정치를 정밀하게 조정하는 반복 솔버. 이는 $T$번의 반복 동안 이차 비용 함수를 최소화한다.

2.3 딥러닝 기반 AP 선택

계산 복잡성을 해결하고 정확도를 최적화하기 위해, 본 논문은 적응형 AP 선택을 위한 신경망(NN)을 도입한다. 모든 가능한 모호성 쌍을 추정하는 대신, 시스템은 위치 오차를 최소화하는 두 개의 모호성 쌍($\Delta z_a, \Delta z_b$)을 선택한다.

• 입력 특징: NN은 다음을 결합한 특징 벡터 $F \in \mathbb{R}^{8I}$를 활용한다:
  • 측정 기반 특징: 각 AP에서의 차분 위상 측정값($\delta$) 및 신호 대 잡음비(SNR) 값.
  • 기하학 기반 특징: 참조 AP, 가장 가까운 이웃, 그리고 가장 먼 AP에 대한 거리 및 각도.
• 네트워크 구조: 입력 레이어 크기 $8I$, 5개의 은닉 레이어(크기 $A, 2A, 4A, 2A, A$), 그리고 출력 레이어 크기 $\binom{I-1}{2}$를 갖는 MLP이다. 네트워크는 모든 가능한 모호성 쌍에 대한 위치 오차를 예측한다.
• 선택 전략: 예측된 최소 오차에 해당하는 쌍 $(a^*, b^*)$가 GD 솔버를 위해 선택된다.

3. 주요 기여

• 위상 동기화 오차에 대한 견고성: 위상 섭동을 반영한 데이터로 모호성 추정기를 학습시킴으로써, 쌍곡선 교차법이 위상 동기화 오차가 존재하는 상황에서도 높은 정확도를 유지할 수 있음을 입증하였다.
• DL 기반 AP 선택: 딥 뉴럴 네트워크를 사용하여 모호성 추정을 위한 최적의 안테나 쌍을 선택하는 새로운 프레임워크를 도입하였다. 이 접근 방식은 신호 측정값과 배치 기하학을 모두 활용하여 하위 최적(suboptimal)의 쌍 선택을 방지한다.
• 복잡도 감소: 가용한 모든 모호성을 사용하는 대신 선택된 두 개의 모호성에만 위치 결정 과정을 제한하고, DL 모델을 통해 이 선택을 유도함으로써 정밀도를 희생하지 않으면서 계산 부하를 크게 줄였다.

4. 시뮬레이션 결과

시뮬레이션은 $I=9$개의 분산된 AP를 갖는 $100 \text{ m}^2$ 영역에서 수행되었으며, D-MIMO 토폴로지를 에뮬레이션하였다.

• 섭동 하에서의 정확도: 위상 섭동(표준 편차 $\sigma$)이 포함된 데이터로 학습되었을 때, 모델은 99% 이상의 전체 모호성 추정 정확도와 95 백분위수 위치 오차 0.5 cm 미만을 유지하였다. 이는 다양한 섭동 수준의 데이터셋에서도 마찬가지였다.
• AP 선택 성능: 제안된 DL 기반 선택 방법은 Random 선택, Max-SNR 선택, 그리고 모든 모호성을 사용하는 방식(No selection)을 포함한 벤치마크들을 크게 상회하였다.
  • Max-SNR 및 Random 벤치마크는 심각한 정확도 저하(95 백분위수 오차 각각 약 509 cm 및 551 cm)를 초래하였다.
  • 제안된 방식은 95 백분위수 오차 0.26 cm를 달성하였으며, 이는 최적의 결과값인 "Best achievable" 서브셋(0.14 cm)에 근접하였다.
• 복잡도: 제안된 프레임워크는 모든 모호성을 사용하는 것과 비교하여 전체 추론 복잡도를 약 19.7% 감소시키는 동시에, 선택을 사용하지 않거나 단순한 선택 전략을 사용하는 방법보다 우수한 정확도를 유지하였다.

5. 의의 및 주장

본 논문은 딥러닝 솔루션으로 보완된 캐리어 위상 전용 위치 결정이 현실적인 6G D-MIMO 배포에서 신뢰할 수 있고 고정밀인 위치 결정을 가능하게 하는 실행 가능한 도구임을 주장한다. 본 연구의 의의는 다음과 같다:

1. 실제적 견고성: 이론적인 CPP 연구에서 흔히 간과되는 중요한 실제적 결함인 위상 동기화 오차를 명시적으로 다루고 완화하였다.
2. 효율성: 적응형 AP 선택을 통해 계산 복잡도(FLOPs)를 줄이는 동시에, 좋지 않은 모호성 쌍 선택을 피함으로써 위치 정확도를 향상시킬 수 있음을 입증하였다.
3. 미래의 조력자: 이 학습 기반 접근 방식을 미래 6G 시스템의 핵심 구성 요소로 포지셔닝하였으며, 저자들은 향후 연구에서 이 프레임워크를 멀티패스(multipath) 및 3차원 시나리오로 확장할 것이라고 언급하였다.

저자들은 현재 연구 범위에 대해 겸허한 태도를 유지하며, 본 연구가 가시선(LoS) 전파에 집중되어 있고 AP 위치 불확실성의 영향에 대해서는 추가적인 조사가 필요함을 인정하였다.