UAV-Based 3D Spectrum Sensing: Insights on Altitude, Bandwidth, Trajectory, and Effective Antenna Patterns on REM Reconstruction

본 논문은 UAV 기반 3D 스펙트럼 감지 및 전파 환경 지도 (REM) 재구성에 있어 고도, 대역폭, 궤적, 그리고 UAV 기체로 인한 안테나 패턴 왜곡이 정확도에 미치는 영향을 실증 데이터와 다양한 보간 기법을 통해 종합적으로 분석하고, 심층 그림자 영역의 정확도 향상을 위한 새로운 프레임워크를 제안합니다.

핵심

🚁 1. 연구의 목적: "전파 지도 (REM) 를 그리기"

우리가 스마트폰을 쓸 때, 전파가 잘 터지는지 안 터지는지는 기지국이나 주변 환경에 따라 달라집니다. 연구자들은 이 전파 환경을 **3D 지도 (Radio Environment Map, REM)**로 만들어 놓으면, 전파가 잘 통하는 '골목길'을 찾아내거나 전파 간섭을 막을 수 있다고 봅니다.

하지만 전파를 모든 곳에서 다 측정하는 건 불가능합니다. 그래서 **드론을 보내어 몇 군데만 측정하고, 그 데이터를 바탕으로 빈 공간의 전파 상태를 '추측' (재구성)**하는 기술을 개발했습니다.

🌪️ 2. 드론이 가진 '세 가지 함정'

드론으로 전파를 측정할 때 발생하는 세 가지 주요 문제를 이 논문은 아주 재미있게 해결했습니다.

① 높이 (Altitude) 의 비밀: "산타의 3 단계 여행"

드론이 얼마나 높이 날아오느냐에 따라 전파 지도의 정확도가 달라집니다. 연구자들은 이를 **'3 단계 여행'**에 비유했습니다.

• 1 단계 (낮은 고도): 드론이 땅에 가까우면 나무나 건물 같은 장애물이 많아 전파가 복잡하게 튕깁니다. (정확도 낮음)
• 2 단계 (중간 고도): 드론이 어느 정도 올라가면, 기지국 안테나의 특성상 전파가 갑자기 혼란스러워지는 구간이 생깁니다. (정확도 가장 떨어짐)
• 3 단계 (높은 고도): 드론이 더 높이 올라가면 장애물을 완전히 피하고 직진하는 전파가 많아져서, 지도를 그리는 게 훨씬 수월해집니다. (정확도 다시 좋아짐)

  비유: 마치 안개 낀 숲을 날아갈 때, 나무 사이를 지나면 (1 단계), 나무 꼭대기 근처에서 안개가 가장 짙어지고 (2 단계), 그 위로 날아오르면 맑은 하늘이 보이며 (3 단계) 길을 찾기 쉬워지는 것과 같습니다.

② 드론 몸체의 방해 (Antenna Pattern): "드론이 안테나를 가린다"

드론에 안테나를 달면, 드론의 금속 몸체 (프레임) 가 전파를 막거나 반사시킵니다. 마치 안테나가 드론이라는 '우산' 아래에 있는 것처럼, 드론이 있는 방향으로는 전파가 잘 안 통하게 됩니다.

• 해결책: 연구자들은 실험 데이터를 분석해서 **"드론이 달린 안테나의 실제 모양"**을 계산해냈습니다. 기존에는 실험실에서 안테나만 따로 측정했지만, 이 연구는 드론이 날아다니는 실제 상황에서의 전파 패턴을 보정했습니다.

  비유: 안개 속을 걷는데, 누군가 우산을 쓰고 있으면 우산 아래는 안개가 안 끼는 것처럼, 드론 몸체 때문에 전파가 변하는 것을 계산에 넣으니 지도가 훨씬 정확해졌습니다.

③ 좁은 길 vs 넓은 길 (Bandwidth): "전파의 폭"

전파 대역폭 (주파수 폭) 이 넓을수록 지도가 더 정확해집니다.

• 비유: 좁은 길 (좁은 대역폭) 은 비가 오면 물웅덩이 하나만 있어도 길이 막힙니다 (전파 끊김). 하지만 넓은 고속도로 (넓은 대역폭) 는 물웅덩이가 있어도 다른 차선으로 우회할 수 있습니다. 그래서 대역폭이 넓을수록 전파 장애에 덜 취약해져서 지도를 그리는 데 유리합니다.

🧩 3. 지도 그리기 기술: "빈칸 채우기 게임"

드론이 측정한 데이터는 매우 적습니다 (희소 데이터). 이 빈칸을 어떻게 채울지가 핵심입니다.

• 기존 방법 (크리깅, Kriging): 주변 점들을 연결해서 평균을 내는 방식입니다. 하지만 깊은 그림자 (전파가 아주 약한 지역) 같은 극단적인 값은 '평균화' 과정에서 사라져 버리는 문제가 있었습니다.
• 이 연구의新方法 (MC-보조 GPR):
  1. 먼저 전체적인 부드러운 흐름을 그립니다.
  2. 그다음, 깊은 그림자 (Deep Shadow) 지역을 찾아냅니다.
  3. 이 그림자 지역은 단순히 평균을 내지 않고, 주변까지 퍼뜨리는 (Dilation) 작업을 합니다.

     비유: 그림을 그릴 때, 어두운 구석 (깊은 그림자) 을 그냥 회색으로 칠해버리면 그림자가 사라집니다. 이 연구는 "여기는 진짜 어두운 구석이다!"라고 표시하고, 그 어둠이 주변까지 자연스럽게 번지도록 처리해서 진짜와 같은 그림자 지도를 만들었습니다.

💡 4. 결론: 왜 이 연구가 중요한가요?

이 논문은 드론을 이용한 전파 지도 제작이 단순히 "데이터를 많이 모으면 된다"는 것을 넘어, 드론이 날아다니는 높이, 드론 몸체의 영향, 전파의 폭 등을 고려해야 정확한 지도가 나온다는 것을 증명했습니다.

• 높이 조절: 드론을 너무 낮게, 혹은 너무 높이만 날리지 말고 '적정 구간'을 찾아야 합니다.
• 보정: 드론 몸체가 전파를 어떻게 망가뜨리는지 계산에 넣어야 합니다.
• 기술: 깊은 그림자 지역을 무시하지 않고 강조하는 새로운 알고리즘을 개발했습니다.

이 기술은 향후 스마트 시티, 자율주행, 6G 통신 등에서 전파가 잘 통하는 길을 드론이 실시간으로 찾아내어, 우리가 더 빠르고 안정적인 통신을 할 수 있게 도와줄 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 배경: 지상 및 공중 무선 생태계의 급격한 확대로 인해 3 차원 주파수 환경이 혼잡해졌으며, 인지 무선 네트워크 (Cognitive Radio Networks) 를 통한 주파수 공유를 위해 정밀한 3 차원 전파 환경 지도 (3D Radio Environment Map, REM) 구축이 필수적입니다.
• 도전 과제:
  • UAV 의 동적 특성: UAV 의 비행 속도, 방향, 고도 변화로 인한 측정 불일치.
  • 플랫폼 간섭: UAV 기체 (Airframe) 가 탑재된 안테나의 방사 패턴을 왜곡시키고, 기체 자체의 그림자 (Shadowing) 및 전자기 간섭을 유발함.
  • 데이터 희소성: 실제 환경에서의 측정 데이터가 제한적이어서 희소한 샘플로부터 정확한 REM 을 재구성하는 것의 어려움.
  • 기존 연구의 한계: 대부분의 연구가 합성 데이터에 의존하거나, UAV 기체로 인한 안테나 패턴 왜곡 및 고도/궤적에 따른 물리적 파라미터의 영향을 체계적으로 분석하지 못함.

2. 방법론 (Methodology)

이 연구는 실제 AERPAW (Aerial Experimentation and Research Platform on Advanced Wireless) 플랫폼에서 수집된 실측 데이터를 기반으로 다음과 같은 체계적인 분석과 알고리즘을 제시합니다.

• 시스템 모델:

  • 전파 모델: 2-ray 경로 손실 (TRPL) 모델을 사용하여 대규모 경로 손실 (Large-scale path loss) 을 예측.
  • 잔차 모델링: 측정된 RSRP 에서 TRPL 예측값을 뺀 섀도 페이딩 (Shadow Fading, SF) 성분을 데이터 기반 기법으로 재구성.
  • 데이터셋: 고정 기지국 (BS) 과 지상 차량 (UGV) 을 신호원으로 사용하는 3 가지 실측 데이터셋 (LTE I/Q, Find-a-Rover, Multi-band) 활용.

• 재구성 알고리즘 비교 및 제안:

  • 기존 기법 평가: 크리깅 (Simple, Ordinary, Trans-Gaussian) 과 가우시안 과정 회귀 (GPR) 를 비교 분석.
  • 제안 기법 (MC-Assisted GPR):
    • REM 을 부드러운 공간적 추세 (Smooth Trend) 와 깊은 그림자 영역 (Deep-Shadowed Regions) 으로 분해.
    • 행렬 완성 (Matrix Completion, MC) 을 사용하여 부드러운 추세를 추정.
    • 회색조 팽창 (Grayscale Dilation) 연산을 통해 국소적인 깊은 그림자 영역을 식별하고 주변 공간으로 전파하여 재구성 정확도 향상.

• 안테나 패턴 보정 (Antenna Pattern Calibration):

  • 무반사실 (Anechoic chamber) 데이터가 아닌, 실제 현장 측정 데이터를 기반으로 UAV 기체에 의해 왜곡된 유효 안테나 패턴을 추정 및 보정.
  • 보정된 패턴을 TRPL 모델에 통합하여 예측 오차 감소.

3. 주요 기여 및 통찰 (Key Contributions & Insights)

1. 고도에 따른 3 단계 (Tri-phasic) 성능 추세:

   • UAV 고도가 REM 재구성 정확도에 미치는 영향이 단순한 선형 관계가 아님을 증명.
   • 초기 상승: 고도 증가 (지상 장애물 회피) → 정확도 향상.
   • 중간 감소: 특정 고도 구간 (약 70m~90m) 에서 지상 기지국의 안테나 방사 패턴 (Dipole null 등) 과 간섭으로 인해 정확도 일시 저하.
   • 최종 상승: 고도가 더 높아지면 (LoS 우세) 정확도 다시 향상.

2. 섀도 페이딩 분산의 비단조적 (Non-monotonic) 행동:

   • 고도각 (Elevation Angle) 에 따른 섀도 페이딩 분산이 매우 낮을 때 (지상 장애물/다중경로) 와 중간 - 높을 때 (안테나 LoS 성분 강함) 두 번 최대치를 보임.

3. 대역폭의 영향:

   • 주파수 다양성 (Frequency Diversity) 으로 인해 대역폭이 증가할수록 다중경로 페이딩에 대한 취약성이 줄어들어 REM 재구성 성능이 개선됨.

4. 안테나 패턴 보정의 효과:

   • UAV 기체로 인한 방사 패턴 왜곡을 현장 데이터로 보정하면, 특히 높은 고도각 영역에서 REM 재구성 정확도가 크게 향상됨.

5. 알고리즘 성능 비교:

   • GPR (Gaussian Process Regression): 노이즈를 명시적으로 모델링하여 매우 희소한 샘플에서도 가장 강건한 성능을 보임.
   • MC-Assisted GPR: 깊은 그림자 (Deep-shadow) 영역을 효과적으로 식별하고 확장하여, 기존 GPR 이 지나치게 평활화 (Oversmoothing) 하던 문제를 해결하고 정확도를 추가 향상.

4. 실험 결과 (Experimental Results)

• 데이터: 30m110m 고도, 다양한 대역폭 (1.25MHz5MHz), 다양한 궤적을 포함한 15 개 실험 데이터 분석.
• 성능 지표: RMSE (Root Mean Square Error) 를 기준으로 평가.
• 주요 발견:
  • 고도: 70m 부근에서 오차가 최대가 되는 3 단계 추세가 여러 데이터셋에서 일관되게 관찰됨.
  • 대역폭: 5MHz 대역폭 사용 시 1.25MHz 대비 RMSE 가 약 0.8dB 감소.
  • 보정: 안테나 패턴 보정을 적용한 경우, 특히 고도각이 큰 영역에서 오차가 현저히 감소.
  • 깊은 그림자: 제안된 MC-Assisted GPR 은 깊은 그림자 영역의 신호 감쇠를 주변으로 전파하여 재구성 오차를 줄임.

5. 의의 및 결론 (Significance & Conclusion)

• 실용적 가치: 복잡한 딥러닝 모델에 의존하지 않고, 물리적 파라미터 (고도, 대역폭, 안테나 패턴) 에 대한 깊은 이해를 바탕으로 효율적인 REM 재구성 전략을 제시.
• 경로 계획 지원: 신호 강도가 급격히 변할 수 있는 공간적 영역을 예측하여 UAV 의 효율적인 궤적 계획 및 주파수 감지 전략 수립에 기여.
• 미래 연구: 단일 신호원 (Single-source) 시나리오에서의 통찰은 향후 더 복잡한 다중 신호원 (Multi-source) 3 차원 전파 환경 모델링의 기초가 됨.

이 논문은 UAV 기반 주파수 감지 시스템의 정확도를 높이기 위해 물리적 환경 모델링, 안테나 보정, 그리고 고급 통계적 재구성 기법을 통합한 종합적인 프레임워크를 제공한다는 점에서 의의가 큽니다.