Adaptive Learning Strategies for AoA-Based Outdoor Localization: A Comprehensive Framework

기술 요약: AoA 기반 야외 위치 추정을 위한 적응형 학습 전략

문제 제기
5G/B5G 및 6G 네트워크에서의 위치 추정은 지능형 교통 시스템과 스마트 공장 등의 응용 분야에서 필수적입니다. 채널 상태 정보 (CSI) 로부터 도출된 도착각 (AoA) 특징은 견고하고 위조 방지 기능이 있는 물리 계층 위치 추정을 제공하지만, 실제 현장 배포에는 상당한 과제가 존재합니다. 여기에는 노이즈와 다중 경로로 인한 AoA 추정치의 무시할 수 없는 변동성, 오프라인 학습을 위한 대규모 라벨링 데이터셋 수집과 관련된 높은 비용 및 지연 시간, 그리고 재앙적 망각 (catastrophic forgetting) 없이 동적인 환경 변화 (예: 사용자 이동, 장애물) 에 적응하는 어려움이 포함됩니다. 기존 접근 방식은 종종 오프라인 학습, 온라인 지속 학습, 퓨샷 (few-shot) 학습을 분리된 솔루션으로 취급하여, 가용 데이터와 배포 단계에 따라 적응할 수 있는 통합 프레임워크가 부족합니다.

방법론
저자들은 라벨링 데이터의 가용성과 네트워크의 운영 단계에 맞춰 오프라인 및 온라인 학습 전략을 통합한 포괄적인 적응형 프레임워크를 제안합니다. 이 프레임워크는 MUSIC 및 ESPRIT 알고리즘을 사용하여 대규모 MIMO (mMIMO) CSI 측정값에서 추출된 AoA 특징을 활용합니다.

1. 오프라인 학습 프레임워크 (대규모 데이터셋):

   • 계층적 분류: 2 단계 접근 방식이 사용됩니다. 먼저 이진 분류기가 가시선 (LoS) 영역과 비가시선 (NLoS) 영역을 구분합니다. 둘째, 영역별 다중 클래스 분류기가 각 영역 내의 사전 정의된 궤적을 식별합니다.
   • 최적화: 이 프레임워크는 분류기 (예: 랜덤 포레스트, 그래디언트 부스팅, SVM) 의 정확도를 극대화하기 위해 베이지안 최적화 (Optuna 를 통해) 를 사용하는 하이퍼파라미터 최적화 모듈을 통합합니다.
   • 모델 관리: 병렬 평가 메커니즘을 통해 새로운 데이터를 축적하고 후보 모델을 재학습할 수 있습니다. 우수한 후보 모델이 배포된 모델을 대체하여 장기적인 신뢰성을 보장합니다.

2. 온라인 학습 프레임워크 (스트리밍 데이터 및 제한된 라벨):

   • 데이터 증강: 데이터 부족 문제를 해결하기 위해 저자들은 조건부 생성적 적대 신경망 (CGAN) 과 조건부 변이 자동 인코더 (CVAE) 를 평가합니다. 실험 결과에 따르면 CVAE 는 CGAN 에 비해 더 높은 품질의 합성 AoA 특징을 생성하여 기본 데이터 분포를 더 잘 보존합니다.
   • 지속 학습: 스트리밍 데이터의 경우, 이 프레임워크는 점진적 트리 기반 및 앙상블 모델 (Hoeffding Tree, Hoeffding Adaptive Tree, Adaptive Random Forest, Streaming Random Patches, Aggregated Mondrian Forest, Gaussian Naive Bayes) 을 사용합니다. 이러한 모델은 데이터가 도착함에 따라 점진적으로 업데이트되어 전체 재학습의 필요성을 줄입니다.
   • 퓨샷 학습: 극도로 제한된 라벨 샘플 (예: 새로운 궤적) 이 있는 시나리오의 경우, 프로토타입 네트워크 (ProtoNet) 를 사용하는 메트릭 기반 퓨샷 학습 접근 방식이 제안됩니다. 이는 소수의 서포트 세트 (support set) 에서 임베딩 공간의 클래스 프로토타입을 계산하여 새로운 클래스를 신속하게 초기화할 수 있게 합니다.

주요 기여

• 통합 적응형 프레임워크: 본 논문은 배포 조건 (데이터 가용성 및 지연 시간 요구 사항) 에 따라 오프라인, 온라인 지속, 퓨샷 학습 패러다임 간에 원활하게 전환하는 전체론적 프레임워크를 제시합니다.
• 계층적 오프라인 전략: 저자들은 하이퍼파라미터 튜닝과 결합된 LoS/NLoS 계층적 분류 followed by 영역별 궤적 분류가 거의 완벽한 정확도를 달성함을 입증했습니다.
• 온라인 전략 평가: 이 연구는 실제 야외 데이터셋에서 다양한 점진적 학습 알고리즘과 퓨샷 접근 방식을 체계적으로 비교합니다. Aggregated Mondrian Forest (AMF) 를 가장 효과적인 점진적 학습기로 식별하고, 제한된 라벨로 신속한 적응을 위한 ProtoNet 의 유효성을 검증합니다.
• 생성적 데이터 증강: 이 작업은 특징 수준 증강을 위한 CGAN 과 CVAE 의 비교 분석을 제공하며, 모델 리허설 및 견고성 평가를 위한 합성 AoA 데이터 생성을 위한 CVAE 의 우수성을 확립합니다.

실험 결과
이 프레임워크는 독일 슈투트가르트에 있는 Nokia 캠퍼스에서 수집된 실제 야외 mMIMO OFDM 데이터셋 (64 개 안테나, 2.18 GHz) 에서 평가되었습니다.

• 오프라인 성능: 하이퍼파라미터 최적화 후, 계층적 프레임워크는 LoS 및 NLoS 영역을 구분하는 데 100% 정확도를 달성했습니다. 궤적 분류의 경우, LoS 영역에서 99.82% 정확도, NLoS 영역에서 약 98% 정확도를 기록했습니다.
• 온라인 지속 학습: Aggregated Mondrian Forest (AMF) 는 LoS 및 NLoS 영역 모두에서 약 **94%**의 가장 높은 온라인 정확도를 달성했습니다. 특히 재앙적 망각에 대한 강력한 안정성을 보여주며 0.0248 에서 0.0427 사이의 매우 낮은 망각률을 유지했습니다.
• 퓨샷 학습: ProtoNet 은 퓨샷 설정에서 강력한 성능을 보였으며, 서포트 샷 ($K$) 수가 증가함에 따라 정확도가 향상되었습니다. LoS 조건에서 $K \ge 8$일 때 정확도는 약 0.91 에 도달했습니다. 이 방법은 낮은 추론 지연 시간 (1.05–1.23 ms) 과 moderate 한 업데이트 비용을 보였습니다.
• 데이터 증강: CVAE 로 생성된 샘플은 분류기 학습/테스트 시 높은 분류 정확도 (~86%) 를 유지한 반면, CGAN 샘플은 ~37% 의 심각한 성능 저하를 초래하여 이 응용 분야에 CVAE 의 적합성을 확인했습니다.

의의 및 주장
저자들은 동적인 야외 무선 환경에서 대규모 정적 데이터셋에만 의존하지 않고도 견고하고 지연 시간이 짧은 위치 추정이 가능하다고 주장합니다. 적응형 프레임워크를 활용함으로써 시스템은 다음과 같은 기능을 수행할 수 있습니다:

1. 데이터가 풍부할 때 오프라인 학습을 통해 고정밀 기준선을 확립합니다.
2. 온라인 학습을 사용하여 환경 변화와 새로운 궤적에 지속적으로 적응함으로써 빈번하고 자원 집약적인 데이터 수집 캠페인의 필요성을 완화합니다.
3. 퓨샷 학습을 사용하여 최소한의 라벨링 데이터로 새로운 클래스를 신속하게 초기화합니다.

본 논문은 이러한 전략들이 채널 특성과 사용자 행동이 비정상적인 미래 6G 무선 액세스 네트워크 (RAN) 의 동적인 수명 주기에 적합한 확장 가능하고 적응적인 위치 추정 솔루션을 가능하게 한다고 결론지었습니다. 결과는 이러한 적응형 학습 전략을 통해 처리된 AoA 기반 특징이 물리 계층 인증 및 신뢰 평가 체계에 대한 신뢰할 수 있는 입력으로 작용할 수 있음을 시사합니다.