Learnable Template Matching Approach for Micro-Deformation Monitoring based on Integrated Sensing and Communication Platform

이 논문은 통합 감지 및 통신 (ISAC) 플랫폼에서 환경 클러터를 제거하여 미세 변형 모니터링의 정확도를 향상시키기 위해 전자기 신호 특성을 네트워크에 통합한 학습 가능한 템플릿 매칭 (LTM) 접근법을 제안합니다.

핵심

1. 문제 상황: "시끄러운 카페에서 속삭이는 소리 듣기"

우리가 살고 있는 도시는 통신 기지국이 수많은 사람 (휴대폰 사용자) 과 데이터를 주고받느라 매우 시끄러운 곳입니다.

• 통신 (Communication): 기지국이 사람들과 대화하는 것 (데이터 전송).
• 감지 (Sensing): 기지국이 주변 환경을 '들여다보는' 것 (레이더 기능).

기존의 기술은 이 두 가지를 동시에 하려다 보니, 감지 기능이 매우 약해졌습니다. 마치 시끄러운 카페에서 누군가 아주 작은 목소리로 "다리가 흔들리고 있어요"라고 속삭여도, 주변 대화 소음 (클러터, Clutter) 때문에 그 말을 제대로 듣지 못하는 상황과 같습니다. 특히 다리의 미세한 진동은 그 소리가 너무 작아 (마이크로 변형), 기존 장비로는 구별하기가 거의 불가능했습니다.

2. 해결책: "AI 가 달린 귀와 필터" (학습 가능한 템플릿 매칭)

저자들은 이 문제를 해결하기 위해 인공지능 (AI) 을 활용한 새로운 방법을 제안했습니다. 이를 **'학습 가능한 템플릿 매칭 (LTM)'**이라고 부르는데, 비유하자면 다음과 같습니다.

A. 뒤틀린 소리를 바로잡기 (위상 언래핑)

전파 신호는 마치 시계 바늘이 12 시를 지나면 다시 1 시로 돌아오듯, 정보가 '뒤틀려' 들어옵니다.

• 비유: 길이를 재는데 자의 끝이 100cm 가 되면 다시 0cm 로 돌아와서 "100cm + 5cm"인지 "5cm"인지 알 수 없는 상황입니다.
• 해결: 연구진이 만든 **CNN(합성곱 신경망)**이라는 AI 가 이 뒤틀린 신호를 자연스럽게 펴서 (Unwrap) 원래의 길이를 정확히 찾아냅니다.

B. 원하는 소리만 골라내기 (학습 가능한 템플릿)

이제 가장 중요한 부분입니다. 시끄러운 소음 속에서 '다리가 흔들리는 소리'만 골라내야 합니다.

• 기존 방식: "다리가 흔들리면 이런 소리가 날 거야"라고 **정해진 규칙 (고정된 템플릿)**을 가지고 소리를 찾습니다. 하지만 실제 상황은 규칙대로 안 될 때가 많습니다.
• 이 논문의 방식 (LTM): AI 가 스스로 **"아, 다리가 흔들릴 때는 이런 소리가 나네!"**라고 배우면서 (학습) 소리를 찾습니다.
  • 템플릿 (Template): AI 가 만들어낸 '다리가 흔들리는 소리 패턴'입니다.
  • 매칭 (Matching): 들어오는 소리와 이 패턴을 비교합니다. 패턴과 일치하면 "이게 다리가 흔들리는 소리야!"라고 크게 부르고, 일치하지 않는 소음 (차량 소음, 바람 소리 등) 은 "이건 그냥 소음이야"라고 필터링해 버립니다.

3. 실제 성과: "현장 실전 테스트"

이론만 좋은 게 아니라, 실제로 난징 (중국) 의 양쯔강 대교에 통신 기지국을 설치해 실험했습니다.

• 상황: 다리에 차가 지나가거나, 바람이 불 때 다리가 미세하게 흔들립니다.
• 결과:
  • 기존 AI 들 (CNN, LSTM 등) 은 소음 때문에 다리가 흔들리는지 모르고 엉뚱한 값을 내놓거나, 흔들림을 놓쳐버렸습니다.
  • 하지만 이 논문의 LTM 기술은 소음을 완벽하게 걸러내고, 다리가 1mm 이상 흔들릴 때를 정확히 잡아냈습니다. 마치 시끄러운 콘서트장에서도 오케스트라의 지휘자 소리만 선명하게 들어내는 것과 같습니다.

4. 요약: 왜 이 기술이 중요한가?

1. 기존 장비 불필요: 별도의 고가 레이더를 설치할 필요 없이, 이미 도시 곳곳에 있는 통신 기지국을 이용해 다리와 건물의 안전을 감시할 수 있습니다.
2. 소음 제거의 달인: 통신 신호의 간섭과 환경 소음 (클러터) 을 AI 가 스스로 학습하여 제거해냅니다.
3. 미래의 안전: 다리가 무너지기 전에 아주 작은 변형이라도 미리 발견하여 재난을 예방할 수 있는 스마트 시티의 핵심 기술이 됩니다.

한 줄 요약:

"시끄러운 도시의 통신 기지국이 AI 를 통해 '다리의 미세한 떨림'이라는 속삭임을 소음 없이 정확히 들을 수 있게 해주는 기술입니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 통합 감지 및 통신 (ISAC, Integrated Sensing and Communication) 시스템은 5G 에서 6G 로의 전환에 필수적인 기술로, 통신과 감지 기능을 단일 플랫폼에서 공유하여 주파수 및 안테나 자원의 효율성을 높입니다.
• 문제점:
  • 기존 ISAC 시스템은 통신 기능에 자원이 할당되어 감지 성능이 전용 레이더 시스템에 비해 제한적입니다.
  • 특히 **미세 변형 모니터링 (mDM, Micro-Deformation Monitoring)**과 같은 약한 표적 (Weak Target) 감지 시, 낮은 감지 품질로 인해 정밀한 측정이 어렵습니다.
  • 도시 환경에서의 ISAC 기반 mDM 은 기지국 (BS) 의 진동, 차량/보행자 등 환경 클러터 (Clutter), 그리고 잡음으로 인해 원하는 구조물의 미세 변위 (mDD, Micro-Deformation Displacement) 신호를 추출하고 분리하는 데 심각한 어려움을 겪습니다.
  • 기존의 가속도계나 전용 레이더 기반의 변위 추정 기법은 ISAC 의 낮은 해상도와 복잡한 간섭 환경에서는 적용이 어렵거나 비효율적입니다.

2. 제안된 방법론 (Methodology)

저자들은 ISAC 시스템의 열악한 감지 품질을 극복하고 클러터를 효과적으로 제거하기 위해 AI 기반의 학습 가능한 템플릿 매칭 (Learnable Template Matching, LTM) 접근법을 제안합니다.

가. 시스템 모델링 및 문제 공식화

• 클러터 모델: 환경 클러터를 결정론적 신호 (기지국 진동 등) 와 확률적 신호 (백색 가우시안 잡음, AWGN) 의 조합으로 모델링합니다.
• 신호 모델: 수신된 신호는 목표물 (구조물) 신호, 클러터 신호, 잡음의 합으로 표현되며, 이를 통해 미세 변위 (mDD) 를 추정하는 문제를 신호 재구성 (Reconstruction) 문제로 정의합니다.
• 목표: 잡음과 클러터를 억제하면서 주기적인 변위 신호 (mDD) 의 진폭, 주파수, 편향 (Bias) 을 정확하게 추정하는 것입니다.

나. LTM 네트워크 아키텍처

제안된 LTM 네트워크는 크게 두 가지 주요 단계로 구성됩니다:

1. CNN 기반 위상 언워핑 (Phase Unwrapping):

   • ISAC 수신 신호의 위상은 $2\pi$ 모듈로 인해 감싸짐 (Phase Wrapping) 현상이 발생합니다.
   • 이를 해결하기 위해 **합성곱 신경망 (CNN)**을 사용하여 위상 신호를 연속적인 '언워핑 (Unwrapped)'된 위상 신호로 변환합니다.
   • 좁은 대역의 커널과 LeakyReLU 활성화 함수를 사용하여 위상 정보의 국소적 연속성과 전역적 일관성을 보장합니다.

2. 학습 가능한 템플릿 매칭 (Learnable Template Matching) 을 통한 신호 분리:

   • 적응형 템플릿: 고정된 템플릿 대신, 학습 과정에서 최적화되는 **학습 가능한 템플릿 ($T_L$)**을 도입합니다. 이는 목표 신호의 주파수 특성을 적응적으로 포착합니다.
   • 신호 강화 및 클러터 억제:
     • 타겟 신호 강화: 수신된 위상 신호와 학습 가능한 템플릿을 컨볼루션하여 목표 신호 특징을 증폭시킵니다.
     • 클러터 억제: 최대 풀링 (Max Pooling) 연산자를 활용하여 템플릿과 일치하는 주기적 변위 성분 (피크) 만 추출하고, 일치하지 않는 클러터 신호는 제거합니다.
   • 주파수 분석: FFT(고속 푸리에 변환) 모듈을 네트워크에 내장하여 변형 신호의 진동 주파수를 정확히 추정합니다.

다. 손실 함수 (Loss Function) 설계

네트워크의 학습을 위해 다음 세 가지 요소를 포함한 복합 손실 함수를 정의합니다:

1. 변위 편향 추정 손실 ($L_r$): 추정된 변위와 실제 변위 간의 오차.
2. 진동 주파수 추정 손실 ($L_f$): 추정된 주파수와 실제 주파수 간의 오차.
3. 신호 재구성 손실 ($L_d$): 추정된 신호가 원래의 물리적 모델 (주기적 정현파) 을 얼마나 잘 따르는지에 대한 오차.

3. 주요 기여 (Key Contributions)

1. ISAC 기반 mDM 시스템 최초 제안: 통신과 감지를 동시에 수행하는 기지국 (BS) 플랫폼에서 인프라의 미세 변형을 모니터링하는 새로운 아키텍처를 최초로 제안했습니다.
2. 클러터 - 타겟 특징 모델: 클러터 억제 문제를 '신호 강화' 문제로 전환하여, 결정론적 진동과 확률적 잡음이 혼재된 복잡한 환경에서도 목표 신호를 효과적으로 분리할 수 있는 모델을 정립했습니다.
3. LTM 네트워크 설계: 위상 언워핑과 신호 디커플링 (Decoupling) 을 통합한 새로운 신경망 구조를 설계했습니다. 특히, 학습 가능한 템플릿을 통해 주기적 신호 특징을 강화하고 클러터를 필터링하는 메커니즘을 구현했습니다.
4. 성능 검증: 시뮬레이션 및 실제 기지국 실험을 통해 제안된 방법이 기존 딥러닝 기법 (CNN, MLP, LSTM) 및 고정 템플릿 필터링 기법보다 우수한 성능을 보임을 입증했습니다.

4. 실험 결과 (Results)

• 수렴성 및 정확도:
  • LTM 네트워크는 변위 편향 (Bias) 과 주파수 추정에 대해 빠르게 수렴하며, 학습 데이터와 다른 테스트 데이터에서도 높은 일반화 성능을 보였습니다.
  • 변위 추정 오차는 매우 낮으며, 5~15 Hz 범위의 진동 주파수를 정밀하게 추정했습니다.
• 클러터 억제 능력:
  • 시뮬레이션 결과, 고정 주파수 클러터 (0.41 Hz) 와 랜덤 잡음이 존재하는 환경에서도 mDD 신호를 정확하게 분리해냈습니다.
  • 실제 실험 (난징 기선산 양쯔강 대교 측정) 에서 차량이 없는 구간과 과적 차량이 통과하는 구간 모두에서 기지국 진동과 구조물 변형을 효과적으로 분리하여 추적했습니다.
• 비교 평가:
  • 대형 변형 이벤트 탐지: 1mm 이상 및 2mm 이상의 큰 변형 이벤트 탐지에서 제안된 LTM 은 Ground Truth 와 가장 유사한 결과를 보였습니다. (예: 1mm 초과 이벤트 37 개 중 34 개를 정확히 탐지).
  • 기타 기법 대비: CNN, MLP, LSTM 등 기존 딥러닝 모델 및 고정 템플릿 필터링 (SP) 기법보다 변형 추세의 정확도와 대형 이벤트 탐지율에서 월등히 우수했습니다.
  • 손실 함수 분석: 변위 편향 손실 ($L_r$) 이 전체 성능에 가장 중요한 역할을 했으며, 재구성 손실 ($L_d$) 도 긍정적 기여를 했습니다.

5. 의의 및 결론 (Significance)

• 인프라 모니터링의 혁신: ISAC 시스템의 한계 (낮은 감지 품질, 클러터 간섭) 를 AI 기반의 학습 가능한 템플릿 매칭으로 극복하여, 기존 전용 레이더 없이도 통신 기지국을 활용한 정밀한 인프라 구조물 안전 모니터링이 가능함을 입증했습니다.
• 실용성: 시뮬레이션뿐만 아니라 실제 기지국 환경에서의 실험을 통해 제안된 방법의 실용성과 견고성 (Robustness) 을 검증했습니다.
• 확장성: 이 프레임워크는 약한 주기적 신호 추출이 필요한 다른 감지 시나리오 (예: 지진 감지, 교량 피로 감시 등) 로도 확장 적용 가능한 유연한 솔루션을 제공합니다.

결론적으로, 이 논문은 ISAC 시스템이 통신과 감지 기능을 동시에 수행하면서도 미세한 구조적 변형을 정밀하게 감지할 수 있는 새로운 패러다임을 제시하며, 6G 시대의 스마트 시티 및 인프라 관리 기술 발전에 중요한 기여를 하고 있습니다.