Gaussian Process-Based Extended Object Estimation for 6G ISAC at Millimeter-Wave Frequencies

기술 요약: 밀리미터파 주파수 대역 6G 통합 감지 및 통신 (ISAC) 을 위한 가우시안 프로세스 기반 확장 객체 추정

문제 제기
미래의 6 세대 (6G) 통합 감지 및 통신 (ISAC) 시스템은 다중 경로 성분이 단일 점 객체 (랜드마크) 에서 비롯된다는 기존 가정을 넘어 환경 인식을 향상시키는 것을 목표로 합니다. 밀리미터파 (mmWave) 주파수 대역에서의 고해상도 감지는 단일 물리적 객체 (확장 객체라고 함) 로부터 여러 입사점 (IP) 을 분해할 수 있게 하지만, 기존 문헌은 실제 시나리오에서 이러한 객체의 형태를 추정할 수 있는 방법들의 실험적 검증을 결여하고 있습니다. 구체적으로, 가우시안 프로세스 (GP) 가 확장 객체 추정 (EOE) 을 위해 이론적으로 제안되었음에도 불구하고, 매핑 및 동시 위치 추정 및 매핑 (SLAM) 맥락에서 5G NR 표준을 준수하는 실제 측정 데이터를 사용하여 그 유효성을 검증한 사례는 아직 연구되지 않았습니다.

방법론
본 논문은 5G NR 표준을 준수하며 60 GHz 에서 400 MHz 대역폭으로 작동하는 양측 감지 설정을 통해 검증된 EOE 를 위한 GP 기반 프레임워크를 제안합니다. 방법론은 세 단계로 진행됩니다:

1. 입사점 (IP) 추정:

   • 시스템 모델: 시스템은 송신기 (Tx) 와 수신기 (Rx) 모두에 균일 평면 어레이 (UPA) 를 사용하는 빔 기반 OFDM 전송을 활용합니다. 채널 파라미터 (도착 시간, 출발 각도, 도착 각도) 는 위치 참조 신호 (PRS) 에서 추출됩니다.
   • 매핑 시나리오: Rx 상태 (위치, 진행 방향, 시계 편차) 가 알려져 있다고 가정할 때, 측정된 채널 파라미터와 기하학적으로 예측된 채널 파라미터 간의 2 차 비용 함수를 최소화하는 비선형 최적화 문제를 풀어 IP 를 추정합니다.
   • SLAM 시나리오: Rx 상태가 알려지지 않은 경우, 무작위 샘플 일관성 (RANSAC) 과 최소 2 제곱법 (LS) 을 기반으로 한 견고한 스냅샷 SLAM 알고리즘을 사용합니다. 이는 측정값을 내부점 (직시 및 단일 반사 비직시) 과 외부점으로 분류하여 Rx 궤적과 IP 위치를 동시에 추정합니다.

2. 데이터 클러스터링 및 변환:

   • 추정된 IP 들은 노이즈가 포함된 응용 프로그램의 밀도 기반 공간 클러스터링 (DBSCAN) 알고리즘을 사용하여 동일한 객체에 속하는 점들을 그룹화합니다.
   • 각 클러스터에 대해 데카르트 좌표는 클러스터 중심에 대한 극좌표 $(\theta, r)$ 로 변환됩니다. 이때 각도 $\theta$ 는 회귀 변수 (입력) 로, 반경 거리 $r$ 은 관측치 (출력) 로 사용됩니다.

3. 가우시안 프로세스 회귀:

   • 객체 형태는 극각을 반경 거리로 매핑하는 별모양 볼록 함수 $f(\theta)$ 로 모델링됩니다.
   • GP 회귀 모델은 객체의 별모양 볼록 특성을 포착하기 위해 주기적 제곱 지수 공분산 함수를 사용하여 훈련됩니다.
   • 하이퍼파라미터 (크기 스케일 $\sigma_f$, 길이 스케일 $\ell$, 잡음 분산 $\sigma_n^2$) 와 평균 함수는 로그 주변 가능도를 최대화하여 학습됩니다.
   • 이 모델은 부분적인 윤곽 데이터로 훈련되더라도 전체 객체 윤곽을 예측하고 95% 신뢰 구간을 제공합니다.

주요 기여

• 실험적 검증: 본 논문은 5G NR 표준을 준수하는 설정에서 획득한 실제 mmWave 데이터를 사용한 GP 기반 EOE 의 첫 번째 실험적 검증을 제공하여, 이론적 제안과 실제 구현 간의 격차를 해소합니다.
• 이중 시나리오 평가: 이 방법은 두 가지 명확한 운영 모드에서 엄격하게 테스트됩니다:
  • mmWave 매핑: 수신기 궤적이 알려진 경우.
  • mmWave SLAM: 수신기 궤적이 알려지지 않아 객체 형태와 동시에 추정해야 하는 경우.
• 부분 윤곽 처리: 이 연구는 단일 Tx-Rx 쌍이 전체 객체 윤곽을 포착할 수 없는 실제 제약 조건을 반영하여, 측정 점의 제한된 부분 집합만을 사용하여 객체 형태 (특히 기둥과 벽) 를 재구성하는 GP 의 능력을 입증합니다.

결과

• 합성 데이터: 합성 데이터에 대한 초기 테스트는 측정 점의 수를 늘리면 Root Mean Square Error (RMSE) 성능이 향상됨을 보여주어, 작은 데이터셋에서도 GP 기반 EOE 의 견고함을 확인시켰습니다.
• 실험 데이터 (매핑): 매핑 시나리오에서 GP 는 기둥 (원 근사) 과 벽의 형태를 성공적으로 재구성했습니다. 결과는 매끄러운 기하학적 구조 (기둥) 는 부분 데이터로도 정확하게 추정되었으나, 복잡한 기하학적 구조 (벽) 는 정밀한 추정을 위해 더 광범위한 각도 커버리지가 필요함을 나타냈습니다.
• 실험 데이터 (SLAM): 매핑 사례에 비해 Rx 상태가 알려지지 않을 때 IP 추정의 고유한 부정확성에도 불구하고, 전체 형태 추정 성능은 매핑 시나리오와 비교할 만했습니다.
• 기하학적 변형: 연구는 특징 길이 스케일 하이퍼파라미터 ($\ell$) 가 객체 유형 간에 크게 변함을 지적했습니다 (예: 벽의 경우 $\ell \approx 0.23$ 대 기둥의 경우 $\ell \approx 1.31$). 이는 서로 다른 형태를 모델링하는 데 필요한 반경 함수의 변화율을 반영합니다.

의의 및 주장
저자들은 ISAC 시스템과 GP 기반 EOE 를 결합함으로써 미래 무선 시스템에서 향상된 환경 인식을 가능하게 한다고 주장합니다. 주요 의의는 점 산란체로 취급하는 대신 확장 객체의 물리적 특성 (형태, 크기) 을 추정할 수 있다는 점에 있습니다. 본 논문은 다음과 같이 주장합니다:

• GP 기반 EOE 는 실제 측정 조건 하에서 mmWave 매핑 및 SLAM 시나리오 모두에서 신뢰성 있게 작동합니다.
• 추정된 확장 객체는 점 산란체 모델보다 더 구체적인 구조적 통찰력을 제공합니다.
• 이러한 향상된 인식은 간섭 제거 알고리즘을 정교화하고 더 정확한 환경 매핑을 가능하게 하는 등 ISAC 응용 분야를 개선하는 데 활용될 수 있습니다.

본 논문은 예측 능력이 측정 점의 수와 각도 커버리지에 의해 제한된다는 점을 인정하며 겸손한 입장을 유지합니다. 제한된 데이터로도 벽의 범위에 대한 대략적인 추정은 가능하지만, 더 세밀한 세부 사항은 전체 윤곽을 포착하기 위해 여러 Tx-Rx 쌍이 필요할 수 있음을 시사합니다.