기술 요약: ENWAR 3.0

문제 정의

차량 네트워크에서 견고한 밀리미터파 (mmWave) 연결성을 유지하려면 환경 역동성, 센서 열화, 링크 변동성에 실시간으로 적응해야 합니다. 전통적인 네트워크 제어 메커니즘은 종종 규칙 기반 휴리스틱 또는 정적 빔 추적을 의존하는데, 이는 다중 모드 센싱 환경에서 확장성이 부족합니다. 이러한 기존 접근 방식은 센서 신뢰도, 환경적 맥락, 또는 과거 시스템 행동에 기반하여 결정을 효과적으로 적응시킬 수 없습니다. 또한, 무선 제어를 위한 기존 대규모 언어 모델 (LLM) 솔루션은 실시간 의사결정 능력이 부족하거나 텍스트 중심에 머무르며, LiDAR, 레이더, 카메라, GPS 와 같은 다중 모드 센서 데이터를 투명하고 설명 가능한 논리와 통합하지 못합니다. 인프라 - 차량 (I2V) 통신을 위해 엄격한 실시간 제약 하에서 다중 모드 센싱, 해석 가능한 추론, 적응형 의사결정을 융합하는 매끄러운 프레임워크를 설계하는 데에는 중대한 격차가 존재합니다.

방법론

ENWAR 3.0 은 다중 모드 센싱, 에이전트 기반 LLM, 그리고 맥락 주도 모델 선택을 통합한 환경 인식 추론 프레임워크입니다. 이 시스템은 빔포밍, 차폐 예측, 핸드오버 관리를 계층적 제어 프레임워크를 통해 300ms 제어 간격 내에서 운영됩니다.

핵심 아키텍처

1. 다중 모드 인식 및 열화 감지:

   • 시스템은 카메라, LiDAR, 레이더, GPS 로부터 동기화된 데이터를 수신합니다.
   • 전용 환경 분류기(다중 출력 랜덤 포레스트) 는 99% 이상의 정확도로 실시간 센서 열화 (예: 안개, 가림, 잡음) 를 감지합니다. 이는 신뢰할 수 없는 모달리티를 동적으로 제외하기 위해 이진 플래그를 출력합니다.
   • 이 분류기를 훈련시키기 위해 흐림, 희소화, 신호 재밍과 같은 불리한 조건을 시뮬레이션한 합성 열화 파이프라인이 개발되었습니다.

2. 프라이밍된 LLM 을 통한 에이전트 오케스트레이션:

   • 중앙 집중식 LLM 은 체인 - 오브 - 씽킹 (CoT) 프롬프팅 및 인간 - 인 - 더 - 루프 (HITL) 피드백을 통해 프라이밍된 오케스트레이터 역할을 수행합니다.
   • LLM 은 구조화된 환경 상태와 센서 건강 플래그를 해석하여 빔 예측, 차폐 예측, 핸드오버, 환경 인식과 같은 전문 에이전트를 주기당 정확히 한 번씩 호출합니다.
   • 시스템은 LlamaIndex 를 사용하는 **장기 기억 (Long-Term Memory)**을 활용하여 차폐 지속 시간 및 과거 에이전트 결정과 같은 역사적 패턴을 영구화하여 추론의 시간적 연속성을 가능하게 합니다.

3. 적응형 모델 라우팅 (DRL):

   • Proximal Policy Optimization (PPO) 으로 훈련된 심층 강화 학습 (DRL) 에이전트는 예측 작업을 위해 센서 모달리티의 최적 조합을 동적으로 선택합니다.
   • 시스템은 각 에이전트당 15 개의 사전 훈련된 모델 변형 (다양한 센서 조합 포함) 저장소를 유지합니다. DRL 정책은 현재 센서 상태와 역사적 맥락에 따라 가장 적합한 변형으로 작업을 라우팅하여 열화된 센서를 회피합니다.

4. 작업별 에이전트:

   • 빔 예측: 다중 모드 입력을 사용하여 포괄적인 빔 스위핑을 피하기 위해 최적의 빔 인덱스를 예측합니다.
   • 차폐 예측: 모달리티별 예측의 후기 융합 (late fusion) 을 사용하여 미래 5 시간 단계 (1.5 초) 까지의 차폐 사건 발생 가능성을 추정합니다.
   • 핸드오버 관리: 주요 전력 우위 또는 지속적인 차폐 (5 시간 단계 초과) 와 전력 개선이 결합된 이중 트리거 정책에 따라 2 차 기지국 (BS2) 으로 핸드오버를 트리거합니다.

5. 응답 전달:

   • 시스템은 인식, 예측, 제어 결정을 통합한 구조화되고 해석 가능한 응답을 생성합니다.
   • 중요한 제어 경로 결정 (에이전트 호출, 빔 선택) 은 300ms 샘플링 윈도우 내에 제한되며, 상세한 자연어 정당화는 실시간 성능을 보장하기 위해 비동기적으로 생성됩니다.

주요 기여

본 논문은 다음과 같은 다섯 가지 주요 기여를 제시합니다:

• 계층적 에이전트 오케스트레이션: CoT 프라이밍 및 RLHF 를 활용하는 모듈식 LLM 기반 아키텍처를 사용하여 빔/차폐 예측 및 핸드오버 결정을 조정하는 다중 모드 무선 제어를 계층적 에이전트 문제로 재정의합니다.
• 열화 인식 제어 계층: 합성 센서 열화 파이프라인과 99.1% 정확도의 다중 출력 분류기를 도입하여 신뢰할 수 없는 모달리티의 동적 배제를 가능하게 하고, 정적 융합 전략을 신뢰도 인식 센싱으로 대체합니다.
• DRL 기반 적응형 모델 라우팅: 에이전트당 15 개의 사전 훈련된 모달리티 조합 중 동적으로 선택하는 열화 인식 DRL 정책을 설계하여 고정된 모델 호출에 의존하는 대신 센서 상태에 적응합니다.
• 지속성 인식 차폐 및 핸드오버 제어: 차폐 지속 시간 추적 및 장기 기억을 정책 기반 핸드오버 메커니즘에 통합하여 이전 반복 단계에 없던 폐쇄 루프 빔 - 차폐 - 핸드오버 파이프라인을 생성합니다.
• 실시간, 제한된 지연 시간 운영: 전체 시스템이 300ms 샘플링 간격 내에서 최악의 경우 종단 간 제어 경로 지연 시간을 289.7ms 로 유지하여 실시간 I2V 요구사항과 호환됨을 입증합니다.

결과

15 가지 센서 조합과 다양한 LLM 아키텍처 (3B 에서 70B 파라미터까지) 에 걸쳐 광범위한 평가가 수행되었습니다:

• 예측 성능:
  • 빔 선택: (카메라+GPS+LiDAR 사용 시) 최대 88.5% Top-3 정확도를 달성했으며 평균 전력 손실은 -0.009 dB 였습니다.
  • 차폐 예측: (카메라+레이더 사용 시) 98.4% F1 점수와 0.988 의 AUC-ROC 를 달성했습니다.
  • 환경 분류: 모달리티 전반에 걸쳐 센서 열화를 99.1% 정확도로 감지했습니다.
• 추론 정확성:
  • 시스템은 3B 파라미터 모델로 87.3% 추론 정확도를 달성했으며, 70B 모델로 **89.3%**까지 향상되었습니다. 이는 베이스라인 (69.4%) 대비 상당한 개선입니다.
  • 제거 실험 (ablation studies) 에 따르면 프라이밍(82.5%) 과 CoT 추론(82.2%) 이 개별적으로 가장 큰 향상을 제공했으며, 장기 기억과 DRL 라우팅은 안정성을 더욱 강화했습니다.
• 지연 시간 및 효율성:
  • 제어 경로의 최악의 경우 종단 간 지연 시간은 289.7ms로, 300ms 샘플링 윈도우 내에 적합했습니다.
  • 더 큰 모델 (70B) 은 약 2% 의 미미한 성능 향상만 제공했으나 (3B 대비 2.17s 대 3.08s), 훨씬 더 높은 추론 지연 시간을 초래하여 실시간 배포에는 체감되는 수익이 감소함을 시사합니다.
• 강건성:
  • 엣지 케이스 (예: 짙은 안개, GPS 재밍, LiDAR 고장) 하에서 시스템은 대체 모델 (예: 레이더 전용 또는 카메라 - 레이더 융합) 로 동적으로 전환하여 높은 성능을 유지하며 우아한 열화를 보여주었습니다.
  • DRL 에이전트는 에피소드의 **86.6%**에서 최적의 행동을 선택하여 규칙 기반 (67.1%) 및 무작위 (13.2%) 베이스라인을 크게 능가했습니다.

의의

본 논문은 ENWAR 3.0 을 실시간으로 추론, 인식, 적응이 가능한 LLM 통합 무선 시스템을 위한 확장 가능한 기반으로 제시합니다. 이는 인식 지원 의사결정 지원에서 정책 주도, 열화 인식 오케스트레이션으로 해당 분야를 발전시킵니다. 빔 예측, 차폐 감지, 핸드오버 제어를 위한 통합된 실시간 루프를 확립함으로써, 이 연구는 동적 차량 환경에서 정적 휴리스틱과 블랙박스 추론의 한계를 해결합니다. 이 프레임워크는 구조화된 추론, 기억, 적응형 라우팅을 통합함으로써 무선 시스템이 상당한 센서 불확실성과 환경 역동성 하에서도 높은 성능과 해석 가능성을 유지할 수 있음을 보여줍니다.