Active MIMO Sensing With Exploration-Exploitation Tradeoff

1. 문제 정의 (Problem Definition)

• 배경: MIMO 레이더는 기존 위상 배열 레이더보다 공간 분해능이 높고 간섭 억제 및 파라미터 추정 성능이 우수합니다. 그러나 실제 하드웨어 제약 (제한된 RF 체인 수) 으로 인해 안테나 수보다 적은 수의 빔포머를 사용해야 하는 경우가 많습니다.
• 목표: 여러 감지 단계를 거쳐 여러 표적의 각도 (AoA) 와 반사 계수를 추정하는 능동 감지 과정에서, **베이지안 크라메르 - 라오 하한 (BCRB, Bayesian Cramér-Rao Bound)**을 최소화하는 송수신 빔포머를 적응적으로 설계하는 것입니다.
• 핵심 난제:
  • 비볼록 최적화: 빔포머 수가 안테나 수보다 적을 경우 BCRB 최소화 문제는 비볼록 (non-convex) 문제가 되어 전역 최적해 찾기가 어렵습니다.
  • 탐색 - 활용 트레이드오프: 레이더는 새로운 정보를 얻기 위해 공간을 넓게 탐색 (Exploration) 해야 하지만, 이미 얻은 정보를 바탕으로 표적을 정밀하게 추적하기 위해 특정 방향으로 에너지를 집중 (Exploitation) 해야 하는 모순을 해결해야 합니다.

2. 방법론 (Methodology)

A. 적응적 감지 전략 및 BCRB 최적화 변형

논문의 핵심은 BCRB 최적화 문제를 두 가지 변형으로 나누어 탐색 - 활용 트레이드오프를 관리하는 것입니다.

1. 탐색 중심 변형 (Exploration-centric Variant, P2):
   • 송신 빔포머가 서로 **직교 (orthogonal)**하도록 제약합니다.
   • 여러 개의 직교 빔포밍 방향을 동시에 탐색하여 공간 정보를 넓게 수집합니다.
   • 주로 저 SNR (신호 대 잡음비) 환경이나 초기 감지 단계에서 사용됩니다.
2. 활용 중심 변형 (Exploitation-centric Variant, P1):
   • 빔포머 수에 대한 직교 제약이 없으며, 전력 제약만 만족합니다.
   • 현재 획득한 정보를 바탕으로 표적 방향에 에너지를 집중하여 추정 오차를 최소화합니다.
   • 고 SNR 환경이나 감지 후기에 사용됩니다.

제안된 알고리즘:

• 이중 단계 프로세스: 초기 $T_{explore}$ 단계에서는 탐색 중심 (P2) 을, 나머지 단계에서는 활용 중심 (P1) 을 적용하여 전체적인 감지 성능을 극대화합니다.
• 교대 최적화 (Alternating Optimization): 송신 빔포머 ($V_k$) 와 수신 빔포머 ($W_k$) 를 고정하고 다른 하나를 최적화하는 과정을 반복합니다.

B. 라그랑지안 듀얼 최적화 및 전역 최적성 보장

비볼록 문제임에도 불구하고 라그랑지안 듀얼 (Lagrangian Dual) 영역에서 분석하여 전역 최적해 (Global Optimal Solution) 를 찾을 수 있는 조건을 도출했습니다.

• 방향 행렬 (Direction Matrix): 최적화 문제는 특정 방향 행렬에 대한 빔포밍 이득을 최대화하는 문제로 환원됩니다.
• 충분 조건 (Sufficient Conditions): 해당 방향 행렬의 **고유값 (eigenvalues) 의 중복도 (multiplicity)**에 관한 조건이 만족되면, 제안된 해법이 전역 최적해임을 보장합니다.
  • 특히, 가장 큰 고유값의 중복도가 1 이거나 특정 간격이 존재할 때, **반정규 완화 (Semidefinite Relaxation, SDR)**가 엄밀 (tight) 해지며 전역 최적성을 보장합니다.
• 이중 문제의 해석: 듀얼 문제를 분석함으로써 최적 빔포머가 속해야 하는 고유공간 (eigenspace) 을 식별할 수 있으며, 이는 탐색 공간을 줄여줍니다. 또한, 최적 BCRB 를 달성하는 데 필요한 송신 빔포머의 최소 개수가 해당 방향 행렬의 최대 고유값 중복도 이하임을 보여줍니다.

C. 사후 분포 추적

• 각 감지 단계에서 측정된 데이터를 바탕으로 표적 파라미터의 **사후 분포 (Posterior Distribution)**를 업데이트하고, 이를 다음 단계의 사전 분포 (Prior) 로 사용합니다.
• 효율적인 계산을 위해 각도 (AoA) 에 대해서는 이산 격자 (grid) 를, 감쇠 계수 ($\alpha$) 에 대해서는 칼만 필터링을 기반으로 한 가우시안 분포 추정을 병행합니다.

3. 주요 기여 (Key Contributions)

1. 적응적 BCRB 최적화 프레임워크: 탐색 (직교 빔포밍) 과 활용 (단일/비직교 빔포밍) 을 결합한 두 단계 전략을 제안하여, 특히 저/중간 SNR 환경에서 기존 방법보다 우수한 성능을 입증했습니다.
2. 비볼록 문제의 전역 최적성 증명: 송수신 빔포머를 동시에 최적화하는 비볼록 문제에 대해, 고유값 중복도 조건 하에 전역 최적해가 보장됨을 수학적으로 증명했습니다. 이는 기존 연구에서 간과되었던 부분입니다.
3. 반정규 완화 (SDR) 의 엄밀성: 제안된 조건 하에서 SDR 이 엄밀함을 보였으며, 이를 통해 복잡한 비볼록 문제를 효율적으로 해결할 수 있는 이론적 근거를 마련했습니다.
4. 필요한 빔포머 수에 대한 통찰: 최적 BCRB 를 달성하기 위해 필요한 송신 빔포머의 최소 개수가 방향 행렬의 최대 고유값 중복도와 관련됨을 분석했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 설정: 다양한 SNR 환경, 단일/다중 표적, 송수신 안테나 수 변화 등을 고려하여 비교 실험을 수행했습니다.
• 성능 비교:
  • 저 SNR 환경: 탐색 중심 전략 (P2) 을 초기 단계에 적용한 것이 가장 우수한 성능을 보였습니다. 이는 잡음이 지배적인 환경에서 공간적 탐색이 중요하기 때문입니다.
  • 고 SNR 환경: 활용 중심 전략 (P1) 이 최적이었으며, 탐색 후 활용 전략이 이를 잘 근사했습니다.
  • 학습 기반 방법 (Deep Learning) 과의 비교: LSTM 기반 학습 방법은 훈련 데이터와 테스트 환경이 일치할 때 저 SNR 에서 성능이 좋았으나, 환경 변화 (SNR, 감지 단계 수 등) 에 대해 일반화 (Generalization) 능력이 떨어졌습니다. 반면, 제안된 BCRB 기반 방법은 재학습 없이 다양한 조건에서 일관된 성능을 보였습니다.
  • 교대 최적화 효과: 송수신 빔포머를 교대로 최적화할 때 (반복 횟수 증가), 단일 빔포머 설계보다 WMSE (가중 평균 제곱 오차) 가 크게 감소하여 공동 설계의 중요성을 입증했습니다.

5. 의의 및 결론 (Significance)

이 논문은 MIMO 레이더의 능동 감지 성능을 극대화하기 위해 탐색과 활용의 균형을 수학적으로 엄밀하게 다룬 최초의 연구 중 하나입니다.

• 이론적 기여: 비볼록 최적화 문제에 대해 전역 최적성을 보장하는 충분 조건을 제시함으로써, 복잡한 빔포밍 설계 문제에 대한 이론적 토대를 강화했습니다.
• 실용적 기여: 하드웨어 제약 (제한된 RF 체인) 하에서도 최적의 성능을 낼 수 있는 알고리즘을 제공하며, 학습 기반 방법의 일반화 한계를 극복하는 데이터 기반이 아닌 모델 기반 (Model-based) 접근법의 우수성을 입증했습니다.
• 적용 가능성: 표적 추적, ISAC (통합 감지 및 통신) 시스템 등 다양한 능동 감지 응용 분야에서 BCRB 기반 적응형 빔포밍 설계의 표준으로 활용될 수 있습니다.