Agentic AI for Embodied-enhanced Beam Prediction in Low-Altitude Economy Networks

본 논문은 저궤도 경제 네트워크의 고도로 이동하는 무인기 (UAV) 환경에서 밀리미터파 통신의 빔 예측 정확도를 향상시키기 위해, LLM 기반 추론의 한계를 극복하는 다중 에이전트 협업 아키텍처와 이모달 데이터를 처리하는 하이브리드 빔 예측 시스템을 제안합니다.

핵심

이 논문은 **"하늘을 나는 드론 (UAV) 들이 지상 기지국과 끊김 없이 대화할 수 있도록, 인공지능이 미리 '시선'을 맞춰주는 기술"**에 대한 연구입니다.

비유하자면, 매우 빠른 속도로 날아다니는 드론과 지상의 기지국이 '마이크'와 '스피커'로 대화하는 상황이라고 생각해보세요. 하지만 이 대화는 아주 높은 주파수 (밀리미터파) 를 사용해서, 마치 손전등 빛처럼 매우 좁고 직진하는 빛으로만 통합니다. 드론이 조금만 움직이거나 바람에 흔들려도 빛이 맞지 않아 대화가 끊어집니다.

기존 방식은 "빛이 맞을 때까지 여기저기 비춰보면서 (빔 검색) 찾아내는" 방식이라서 시간이 너무 오래 걸리고, 드론이 빠르게 움직이면 따라잡기 힘들었습니다.

이 논문은 이 문제를 해결하기 위해 두 가지 혁신적인 아이디어를 결합했습니다.

1. "지능형 팀"을 꾸렸다 (에이전트 AI)

기존의 인공지능은 단순히 "이 데이터가 들어오면 저렇게 답해라"라고 정해진 대로만 움직였습니다. 하지만 이 논문은 LLM(대형 언어 모델) 을 기반으로 한 '에이전트 AI' 3 인조 팀을 꾸렸습니다. 마치 현장 지휘관, 작전 기획자, 품질 검사관이 팀을 이루는 것과 같습니다.

• 작전 분석관 (TAA): 지상 기지국에서 "드론이 어디로 가는데, 어떤 데이터를 쓸 거야?"라는 복잡한 요청을 받아, AI 가 이해할 수 있는 명확한 작전 명령서로 바꿔줍니다.
• 작전 기획자 (SPA): 명령서를 바탕으로 "드론의 속도 데이터만 쓸까, 카메라 영상도 쓸까?"를 결정합니다. 만약 카메라 영상이 흐릿하면 "그냥 속도 데이터만 써서 예측하자"라고 유연하게 전략을 수정합니다.
• 품질 검사관 (CAA): 기획자가 만든 작전이 완벽한지 다시 한번 점검합니다. "아, 드론 개수 정보가 빠졌네?"라고 지적하면 기획자가 다시 수정합니다.

이 세 명이 서로 대화하며 (협업) 드론의 다음 위치를 예측하는 최고의 작전을 세웁니다.

2. "눈과 귀"를 동시에 쓴다 (하이브리드 예측 모델)

드론이 어디로 갈지 예측할 때, AI 는 드론의 **위치/속도 데이터 (숫자)**와 **카메라로 본 하늘의 모습 (영상)**을 동시에 봅니다.

• 숫자 데이터: 드론이 얼마나 빠르게 움직이는지, 어디에 있는지 알려줍니다. (마치 운전자의 발과 눈 같은 역할)
• 영상 데이터: 드론이 주변 장애물이나 구름을 피하며 어떻게 날아가는지 보여줍니다. (마치 운전자가 보는 전방 시야 같은 역할)

이 논문은 이 두 가지 정보를 **Mamba(빠른 시간 흐름 분석 기술)**와 **크로스 어텐션(서로 정보를 주고받는 기술)**이라는 특수한 방법으로 섞어서 분석합니다. 마치 운전자가 속도계만 보는 게 아니라, 전방 카메라와 GPS 를 동시에 보며 운전하는 것과 같습니다.

3. 실험 결과: 얼마나 잘할까요?

실제 Arizona 의 드론 비행 데이터를 가지고 실험해 보았습니다.

• 숫자만 봤을 때: 84% 정도 정확도
• 영상만 봤을 때: 91% 정도 정확도
• 숫자와 영상을 모두 섞었을 때: 96.57% 정확도 (거의 완벽에 가까움!)

요약하자면?

이 논문은 **"드론이 하늘을 날아다니며 통신할 때, 빛이 끊기지 않도록 AI 가 미리 빛을 맞춰주는 기술"**을 개발했습니다.

기존에는 AI 가 단순히 데이터를 보고 답을 내는 '수동적인 로봇'이었다면, 이번 연구는 **"상황을 파악하고, 전략을 세우고, 다시 점검하는 능동적인 AI 팀"**을 만들어냈습니다. 그리고 이 팀은 드론의 **속도 (숫자)**와 **눈 (영상)**을 모두 활용하여, 마치 숙련된 조종사처럼 드론의 다음 행동을 정확히 예측해 통신을 끊김 없이 유지합니다.

이는 앞으로 드론 택시, 배달 드론, 저고도 경제가 활발해질 때, 하늘의 통신망이 얼마나 안정적으로 작동할 수 있는지 보여주는 중요한 기술입니다.

기술 요약

논문 요약: 저고도 경제 네트워크를 위한 에이전트 기반 AI 를 활용한 체화된 빔 예측

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 저고도 경제 (Low-Altitude Economy) 의 성장으로 무인 항공기 (UAV) 의 밀집도가 급증하고 있으며, 고처리량 센싱 및 실시간 의사결정을 위해 밀리미터파 (mmWave) 및 테라헤르츠 (THz) 통신이 필수적입니다.
• 문제점:
  • 고주파 대역의 특성상 경로 손실 (Path Loss) 이 심하고 빔의 지향성이 강해, UAV 의 고도 이동성, 3 차원 궤적 변화, 자세 불안정 등으로 인해 빔 정렬 (Beam Alignment) 유지가 매우 어렵습니다.
  • 기존 방식인 빔 탐색 (Beam Search) 은 과도한 오버헤드와 신호 지연을 유발하며, UAV 의 빠른 이동 환경에서는 실시간 대응이 불가능합니다.
  • 기존 학습 기반 예측 방법들은 비정상적인 공중 - 지상 채널 변화에 자율적으로 적응하거나 능동적인 의사결정을 내리는 데 한계가 있습니다.
  • 대규모 언어 모델 (LLM) 을 기반으로 한 에이전트 AI 는 유망하지만, 컨텍스트 윈도우 제한과 추론 과정의 통제력 부족으로 인해 실제 통신 시스템에 적용하기에는 한계가 있습니다.

2. 제안된 방법론 (Methodology)

이 논문은 mmWave 기지국을 '체화된 지능 (Embodied Intelligence)' 시스템으로 전환하기 위해 다중 에이전트 협업 추론 아키텍처와 하이브리드 빔 예측 모델 시스템을 결합한 새로운 프레임워크를 제안합니다.

A. 다중 에이전트 아키텍처 (Multi-Agent Agentic AI Architecture)
LLM 의 한계를 극복하고 추론의 투명성과 제어력을 높이기 위해 세 가지 전문화된 에이전트로 구성된 협업 시스템을 도입했습니다.

1. 작업 분석 에이전트 (Task Analysis Agent, TAA): 관리자의 자연어 요구사항을 분석하여 구조화된 작업 명세 (UAV 수, 데이터 형식, 정확도 요구사항 등) 로 변환합니다.
2. 해결 계획 에이전트 (Solution Planning Agent, SPA): 구조화된 작업을 기반으로 빔 예측 계획을 수립합니다. 외부 도구 (이미지 흐림도 평가 등) 를 호출하거나 RAG(검색 증강 생성) 를 활용하여 데이터 품질을 평가하고, 예측 모델의 파라미터 및 데이터 흐름 전략을 결정합니다. ReAct(추론 - 행동) 패러다임을 사용하여 반복적인 추론을 수행합니다.
3. 완전성 평가 에이전트 (Completeness Assessment Agent, CAA): SPA 가 생성한 계획이 TAA 의 작업 요구사항을 충족하는지 평가합니다. 미흡한 경우 그 이유를 SPA 에게 피드백하여 계획을 수정하도록 유도합니다.

• 특징: 이 아키텍처는 빔 예측을 단순한 추론이 아닌, 지각 - 결정 - 행동의 순환을 가진 능동적 의사결정 과정으로 재정의합니다.

B. 하이브리드 빔 예측 모델 시스템 (Hybrid Beam Prediction Model System)
에이전트들의 전략에 따라 데이터 흐름이 동적으로 전환되는 다중 모달 (Multimodal) 딥러닝 모델입니다.

• 입력 데이터: UAV 의 수치 데이터 (GPS, 고도, 속도 등) 와 시각 데이터 (RGB 이미지/비디오).
• 모델 구조:
  • 수치 인코더 (Numeric Encoder): 위치 인코딩과 선형 투영 후, Mamba (State Space Model) 기반의 잔여 블록을 사용하여 수치 시계열 데이터의 장기 의존성을 모델링합니다.
  • 이미지 인코더 (Image Encoder): ResNet을 통해 공간 특징을 추출한 후, Mamba 블록을 사용하여 프레임 간의 시간적 상관관계를 모델링합니다.
  • 다중 모달 인코더 (Multi-Modal Encoder): 교차 어텐션 (Cross-Attention) 메커니즘을 통해 수치 및 시각 특징을 상호 융합합니다. 게이트 퓨전 (Gated Fusion) 모듈을 통해 현재 상황에 따라 각 모달리티의 기여도를 동적으로 조절합니다.
  • 디코더: Transformer 기반의 디코더를 사용하여 최종 빔 인덱스를 예측합니다.
• 동적 전환: 에이전트들의 추론 결과에 따라 수치 데이터만, 이미지 데이터만, 또는 두 데이터를 모두 사용하는 모드 중 하나를 선택하여 예측을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 아키텍처 제안: LLM 기반 에이전트의 컨텍스트 제한을 극복하고 추론 투명성을 높이기 위해 TAA, SPA, CAA 로 구성된 다중 에이전트 협업 구조를 설계하여 기지국을 체화된 지능 시스템으로 변혁했습니다.
2. 하이브리드 예측 모델 개발: 수치 및 시각 데이터를 통합 처리하는 Mamba 기반의 시계열 모델링과 Cross-Attention 기반의 융합 메커니즘을 도입했습니다. 에이전트들의 상호작용을 통해 데이터 흐름 전략을 동적으로 조정하는 혁신적인 트리거 시스템을 구현했습니다.
3. 실증적 검증: 실제 UAV mmWave 통신 데이터셋 (DeepSense6G) 을 기반으로 한 광범위한 시뮬레이션을 통해 제안된 시스템의 유효성을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: Arizona Tuen Park 에서 수집된 실제 UAV-to-ground mmWave 데이터 (DeepSense6G) 를 사용했습니다.
• 성능:
  • 수치 데이터만 사용: Top-1 정확도 84.13%
  • 이미지 데이터만 사용: Top-1 정확도 91.81%
  • 하이브리드 (수치 + 이미지) 데이터 사용: Top-1 정확도 96.57% (최고 성능)
• 에이전트 성능:
  • TAA 는 Qwen3-32B 모델에서 가장 높은 형식 및 파라미터 정확도를 보였습니다.
  • SPA 는 3 회 이상의 추론 반복 시 의미적 유사도가 가장 높게 나타났으며, GPT-oss-120B 와 같은 대형 모델이 우수한 성능을 보였습니다.
  • CAA 는 GPT-oss-120B 가 가장 적합했으나, Qwen3-8B 도 엣지 디바이스 환경에서 유효한 성능을 입증했습니다.
• 혼동 행렬 분석: 다중 모달 모델은 단일 모달 모델에 비해 오분류가 현저히 감소하고 대각선 요소가 집중되어 있어, 복잡한 환경에서도 빔 예측의 강건성과 안정성이 뛰어남을 확인했습니다.

5. 의의 및 결론 (Significance)

• 기술적 의의: 이 연구는 빔 예측을 수동적인 추론 작업이 아닌, 에이전트 AI 가 주도하는 능동적이고 적응적인 의사결정 과정으로 전환한 첫 사례 중 하나입니다.
• 실용성: 고도로 동적인 저고도 경제 환경에서 빔 정렬 실패로 인한 통신 단절을 방지하고, 빔 훈련 오버헤드를 획기적으로 줄여 6G 네트워크의 신뢰성을 높입니다.
• 확장성: 제안된 다중 에이전트 구조와 하이브리드 모델은 다양한 통신 시나리오에 적용 가능하며, 향후 지속적인 학습 (Continual Learning) 및 UAV 궤적 최적화와 결합될 수 있는 확장 가능한 프레임워크를 제공합니다.

이 논문은 에이전트 AI 와 멀티모달 딥러닝의 융합을 통해 차세대 저고도 네트워크의 핵심 기술인 빔 예측 문제를 해결하는 강력한 패러다임을 제시했다는 점에서 중요한 의의를 가집니다.