Integrated Sensing, User Location and Orientation Estimation in RIS-Assisted Dynamic Rich Scattering Environment

논문 요약: RIS 지원 동적 다중 경로 환경에서의 통합 센싱 및 사용자 위치/자세 추정

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 6G 네트워크 및 실내 환경에서 정밀한 위치 추정 (Localization) 은 로봇, 자율 주행, 스마트 팩토리 등 다양한 응용 분야에서 필수적입니다. 그러나 실내와 같은 **다중 경로가 풍부한 환경 (Rich Scattering Environment, RSE)**에서는 신호가 벽, 물체 등에 반사되어 복잡한 경로로 전파되므로, 기존 방식으로는 정확한 위치 추정이 어렵습니다.
• 주요 문제:
  • 동적 환경: 이동하는 산란체 (Scattering Objects, SOs, 예: 사람, 물체) 가 무작위로 움직이며 채널 특성을 실시간으로 변화시킵니다.
  • 비선형성: 다중 경로와 동적 산란체의 상호작용으로 인해 채널 모델이 비선형적이 되어 기존의 선형 모델 기반 추정 기법 (예: 각도 추정, 기하학적 추적) 이 실패합니다.
  • 제한된 대역폭: 협대역 (Narrowband) 시스템에서는 시간 지연 (ToA) 기반의 경로 분리가 어렵습니다.
• 목표: 재구성 가능한 지능형 표면 (RIS) 을 활용하여, 기지국 (BS) 이 환경 센싱을 수행하고, RIS 구성, BS 빔포밍, 사용자 장비 (UE) 빔포밍을 **적응형 (Adaptive)**으로 설계하여 UE 의 **위치 (Location)**와 **자세 (Orientation)**를 동시에 정확하게 추정하는 것입니다.

2. 제안된 방법론 (Methodology)

이 논문은 데이터 기반의 적응형 학습 (Adaptive Learning) 접근법을 제안하며, 다음과 같은 핵심 요소들을 포함합니다.

• 시스템 모델:

  • 다중 안테나를 가진 UE 와 BS, 그리고 환경 주변에 분산 설치된 RIS 를 가정합니다.
  • 물리 기반의 엔드 - 투 - 엔드 (End-to-End) 채널 모델을 사용하여 전자기파의 산란, 반사, 상호 결합 효과를 정밀하게 모델링합니다.
  • RIS 의 일부 요소 ($S_{RIS}$) 는 환경 센싱 (산란체 위치 추정) 에 전용되고, 나머지는 통신 및 위치 추정에 사용됩니다.

• 양방향 LSTM (biLSTM) 기반 제어기:

  • 2 단계 프레임워크:
    1. 산란 추정 (Scattering Estimation): 수신된 센싱 신호를 기반으로 이동하는 산란체 (SOs) 의 위치를 추정하는 산란 추정 biLSTM을 사용합니다. 이는 환경의 시간적 변화를 학습합니다.
    2. 위치 추정 및 빔포밍 설계 (Localization & Beamforming Design): 추정된 산란체 정보와 이전의 파일럿 신호 측정값을 입력으로 받아, 다음 시간 단계의 RIS 구성, BS 빔포밍, UE 빔포밍 벡터를 설계하는 위치 추정 biLSTM을 사용합니다.
  • 순차적 최적화: 과거 측정값의 시간적 의존성 (Temporal Dependencies) 을 학습하여, 최종 시간 단계 ($T$) 에서의 위치 추정 오차를 최소화하도록 순차적으로 빔포밍과 RIS 위상을 조정합니다.

• 학습 및 최적화:

  • 손실 함수는 UE 위치 오차, 자세 오차, 산란체 추정 오차의 RMSE 를 합산하여 정의됩니다.
  • 제안된 데이터 기반 접근법은 기존의 베이지안 크라메르 - 라오 하한 (BCRLB) 기반 최적화 방법과 비교 분석됩니다. BCRLB 는 각 시간 단계에서 조건부 하한을 최소화하는 탐욕적 (Greedy) 접근을 취하는 반면, 제안 방법은 전체 시퀀스를 고려한 전역 최적화를 지향합니다.

3. 주요 기여 (Key Contributions)

1. 적응형 센싱 기반 통합 설계: 동적 RSE 환경에서 분산된 RIS 를 지원하는 MIMO 네트워크를 위해, 과거 측정값과 환경 센싱 정보를 기반으로 RIS 구성, BS 및 UE 빔포밍을 **동시 (Jointly)**로 적응적으로 설계하는 새로운 접근법을 제시했습니다.
2. 이론적 벤치마킹: 제안된 데이터 기반 적응형 센싱 접근법의 성능을 BCRLB 기반 모델링 및 최적화 방법과 비교하여, 데이터 기반 방법이 기존 이론적 한계를 어떻게 극복하는지 분석했습니다.
3. 포괄적인 성능 평가: 다양한 시나리오 (분산 RIS 배치, 이동 산란체 수 변화, 센싱 요소 수 변화 등) 에서 제안 방법의 강건성 (Robustness) 을 검증했습니다.
4. 해석 가능한 결과: RIS 구성과 빔포밍의 순차적 설계가 다중 경로 정보의 품질을 점진적으로 향상시켜 위치 추정 정확도를 높인다는 것을 입증했습니다.

4. 시뮬레이션 결과 (Results)

• 성능 우위: 제안된 biLSTM 기반 접근법은 모든 시나리오에서 BCRLB 기반 최적화 방법 및 빔포밍이 없는 (Beamforming-free) 기존 학습 방법보다 **낮은 RMSE (평균 제곱근 오차)**를 보였습니다.
• 시간 단계 ($T$) 의 영향: 시간 단계가 증가함에 따라 모든 방법의 성능이 향상되었으나, 제안 방법은 특히 초기 단계에서도 빠른 수렴과 높은 정확도를 보였습니다.
• RIS 배치 및 밀도:
  • RIS 를 4 면 벽에 분산 배치하는 것이 단일 벽 배치보다 위치 추정 오차를 크게 줄였습니다 (공간적 다양성 확보).
  • RIS 요소 수 ($N_{RIS}$) 가 증가할수록 오차가 감소했으나, 일정 수준 이상에서는 한계 (Diminishing returns) 를 보였습니다.
• 센싱 요소 ($S_{RIS}$) 의 중요성: 환경 센싱을 위한 RIS 요소 수가 증가할수록 산란체 추정 정확도가 향상되었고, 이는 최종 UE 위치 추정 정확도 향상으로 직결되었습니다.
• 산란체 수 ($M$) 의 영향: 산란체 수가 증가하면 환경 복잡도가 높아져 오차가 증가하지만, 제안 방법은 높은 SNR 환경에서도 상대적으로 견고한 성능을 유지했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 동적 환경 대응: 기존의 고정된 모델이나 단순한 경로 추정을 넘어, 실시간으로 변화하는 산란 환경을 학습하여 적응적으로 대응하는 새로운 패러다임을 제시했습니다.
• RIS 의 역할 확장: RIS 를 단순한 신호 반사체뿐만 아니라, **가상 앵커 (Virtual Anchor)**이자 환경 센서로 활용하여 위치 추정 성능을 극대화할 수 있음을 입증했습니다.
• 6G 위치 추정: 6G 의 핵심 기술인 통합 센싱 및 통신 (ISAC) 과 결합하여, 실내 및 복잡한 다중 경로 환경에서도 고정밀 위치 및 자세 추정이 가능함을 보여주었습니다.

이 논문은 복잡한 무선 환경에서 기계 학습 (Deep Learning) 과 물리 기반 모델링을 결합하여, 차세대 통신 시스템의 위치 추정 문제를 해결할 수 있는 강력한 프레임워크를 제공합니다.