기술 요약: SkySense

1. 문제 정의

본 논문은 6G 통합 감지 및 통신(ISAC) 네트워크 내에서 비협조적(non-cooperative) 미승인 무인 항공기(UAV)를 국지화하는 데 있어 발생하는 핵심적인 과제를 다룹니다. 채널 상태 정보(CSI) 핑거프린팅은 유망한 수동형 감지 솔루션을 제공하지만, 기존의 딥러닝 기반 접근 방식은 세 가지 근본적인 한계에 직면해 있습니다:

• 공간적 모호성 (Spatial Ambiguity): 다중 경로 효과로 인해 서로 다른 물리적 위치가 매우 유사한 CSI 핑거프린트를 유도할 수 있습니다. 기존의 판별 모델(discriminative models)은 이러한 상황에서 실패하여, 중첩된 매핑이 발생할 때 유효하지 않은 "평균" 좌표(평균 붕괴, mean collapse)를 산출하곤 합니다.
• 데이터 부족 (Data Scarcity): 완전히 지도 학습된(fully supervised) 훈련에 필요한 대규모의 센티미터 단위 실시간 이동 기준점(RTK) 라벨 데이터셋을 확보하는 비용이 매우 높기 때문에 실제 배포가 어렵습니다.
• 추론 지연 (Inference Latency): 생성적 확산 모델(generative diffusion models)은 확률적으로 공간적 모호성을 해결할 수 있지만, 긴 체인의 마르코프 반복적 노이즈 제거(denoising) 과정에 의존하기 때문에 과도한 지연 시간이 발생하여 매우 역동적인 실시간 UAV 추적에는 부적합합니다.

2. 방법론: SkySense 프레임워크

저자들은 이러한 병목 현상을 극복하기 위해 설계된 엔드 투 엔드 준지도 생성 프레임워크인 SkySense를 제안합니다. 이 아키텍처는 두 개의 별도 단계로 작동하며 분산형 다중 기지국(BS) 융합을 지원합니다.

A. 자기지도 공간 표현 (Stage I)

라벨링된 데이터에 대한 의존성을 완화하기 위해, 프레임워크는 UAV 비행 궤적의 **운동학적 연속성(kinematic continuity)**을 활용합니다.

• 메커니즘: 자기지도 인코더($E_\theta$)는 대규모의 라벨 없는 CSI 시퀀스에 대해 사전 훈련됩니다.
• 목적: 이는 시간적 대조 학습(temporal contrastive learning) 전략을 채택합니다. 학습된 잠재 특징(latent features)을 기반으로 공간적 유사성 예측 행렬을 구축하고, 이를 타임스탬프에 기반한 가우시안 감쇠(Gaussian decay)로 모델링된 시간적 타겟 행렬과 정렬함으로써, 인코더는 물리적 좌표 없이도 견고한 공간 표현을 학습합니다. 이를 통해 모델이 비행 경로의 기저에 깔린 공간 매니폴드(spatial manifold)를 포착하도록 보장합니다.

B. 조건부 일관성 생성 백본 (Stage II)

공간적 모호성을 해결하고 지연 시간을 줄이기 위해, 프레임워크는 일관성 모델(Consistency Model) (확산 아키텍처의 파생형)을 핵심 생성 백본($F_\phi$)으로 사용합니다.

• 생성 공식: 전체 역방향 확산 과정을 모델링하는 대신, 모델은 임의의 노이즈 상태로부터 깨끗한 물리적 기원(physical origin)으로의 직접적인 매핑을 학습합니다. 섭동(perturbation)은 연속적인 노이즈 스케일 $\sigma$를 사용하여 매개변수화됩니다.
• 훈련 목적 함수: 백본은 제한된 라벨 데이터 세트를 사용하여 사전 훈련된 인코더와 함께 공동 미세 조정(jointly fine-tuned)됩니다. 손실 함수($L_{total}$)는 다음을 결 조합합니다:
  1. 구조적 일관성 ($L_{cons}$): 동일한 궤적 상의 서로 다른 노이즈 레벨에서의 예측이 동일한 깨끗한 좌표로 매핑되도록 보장합니다.
  2. 물리적 앵커 ($L_{anchor}$): 생성된 예측을 희소한 지면 진실(ground-truth) 좌표에 고정합니다.
• 추론 효율성: 수백 단계의 반복이 필요한 전통적인 확산 모델과 달리, 일관성 공식은 추론 궤적을 1~2단계로 압축할 수 있게 하여 반복적 노이즈 제거의 병목 현상을 우회합니다.

C. 분산형 다중 BS 융합

프레임워크는 경량화된 분산 융합 메커니즘을 지원합니다. 온라인 추론 중에 여러 기지국은 각자의 로컬 CSI를 기반으로 독립적인 좌표 제안(coordinate proposals)을 생성합니다. 이 예측값들은 공간적 합의(spatial consensus, 평균화) 메커니즘을 통해 집계되어 단일한 추정치를 형성하며, 이는 다중 뷰 기하학 관점에서 다중 경로 모호성을 효과적으로 억제합니다.

3. 주요 기여

• 준지도 생성 패러다임: 자기지도 표현 학습과 조건부 일관성 생성을 결합하여 데이터 부족과 공간적 모호성 문제를 동시에 해결하는 새로운 프레임워크를 도입했습니다.
• 지연 시간 최적ization: 표준 확산 모델 대신 일관성 모델을 채택함으로써, 생성적 모델링의 확률적 이점을 유지하면서도 실시간 추론 능력(1~2단계)을 달가합니다.
• 물리 인지 사전 훈련: 자기지도 전략은 시간적으로 인접한 관측치가 공간적으로 가깝다는 물리적 원리를 활용하여, 라벨링된 데이터에 대한 의존도를 낮추는 견고한 초기화를 제공합니다.
• 분산 융합: 공동 다중 BS 훈련의 과도한 오버헤드 없이 여러 기지국의 예측을 집계하는 경량 메커니즘을 제안했습니다.

4. 실험 결과

프레임워크는 복잡한 도시 환경 내 3-BS 레이더 감시 측정을 포함하는 실제 오픈 소스 ISAC UAV 데이터셋에서 평가되었습니다.

• 라벨 부족 시의 정확도: 단 1%의 라벨 데이터(RTK 좌표)만으로도, SkySense는 3-BS 융합 설정에서 9.77 cm의 평균 3D 국지화 오차를 달성했습니다.
• 베이스라인과의 비교:
  • SkySense는 완전히 지도 학습된 판별 베이스라인(예: FC-AE-GPR) 및 준지도 판별 베이스라인(예: SSLUL)보다 성능이 크게 뛰어났습니다.
  • 극단적인 라벨 부족(0.1%) 상황에서도 SkySense는 데시미터 수준의 정확도를 유지한 반면, 판별 모델들은 정밀도 붕괴(precision collapse)를 겪었습니다.
  • 표준 확산 확률 모델(DDPM)과 비교했을 때, SkySense는 준지도 설정에서 발생하는 심각한 성능 저하(DDPM 오차 >245 cm)를 피하고 긴 추론 체인의 필요성을 제거했습니다.
• 절제 연구 (Ablation Studies):
  • 백본 아키텍처: 백본의 U-Net 변형이 가장 우수한 성능을 보였으며, 이는 공간적 특징 보존을 위한 계층적 구조의 필요성을 확인시켜 줍니다.
  • 일관성 vs 확산: 일관성 목적 함수가 결정적인 역할을 했습니다. 표준 DDPM은 제한된 앵커를 사용하여 견고한 매핑을 구축하는 데 실패했습니다.
  • 다중 BS 융합: 단일 BS에서 3-BS 설정으로 전환했을 때 오차가 ~20.67 cm에서 9.77 cm로 감소하였으며, 이는 공간적 합의를 통한 모호성 해결의 효과를 입증합니다.
• 추론 효율성: SkySense는 추론 단계를 1~2단계로 압축했을 때도 견고한 정확도를 유지했으나, DDPM은 궤적을 단축할 경우 오차가 기하급수적으로 증가했습니다.

5. 의의 및 주장

저자들은 SkySense가 데이터 부족, 공간적 모호성, 추론 지연이라는 "트릴레마(trilemma)"를 해결함으로써 실제 ISAC 배포를 위한 중요한 진전을 이루었다고 주장합니다.

• 실용성: 이 프레임워크는 최소한의 주석 노력(1% 라벨)만으로 센티미터 수준의 국지화를 가능하게 하여, 대규모 라벨 데이터셋 확보가 매우 어려운 시나리오에서도 실행 가능하게 만듭니다.
• 실시간 능력: 추론을 1~2단계로 단축함으로써, 시스템은 매우 역동적인 UAV 추적에 계산적으로 실행 가능한 수준이 되었습니다. 이는 기존 생성적 접근 방식의 한계였습니다.
• 견고성: 조건부 분포의 확률적 모델링은 다중 경로 공간 모호성에 직면했을 때 판별 모델에서 나타나는 평균 붕괴 문제를 효과적으로 해결합니다.

결론적으로, 본 논문은 이 접근 방식이 보편적인 UAV 국지화를 위한 확장 가능한 토대를 제공하며, 향후 연구를 통해 합성 데이터셋과 Sim-to-Real 전이를 활용하여 경험적 측정에 대한 의존도를 더욱 제거하는 것을 목표로 한다고 밝히고 있습니다.