OmniLoc: A Geometry-Aware Foundation Model for Anchor-Free UE Localization Across Diverse Indoor Environments

기술 요약: OmniLoc: 앵커 프리(Anchor-Free) UE 위치 추정을 위한 기하학 인지형 파운데이션 모델

문제 정의
대규모 배포 환경에서 실내 사용자 장비(UE) 위치 추정은 건물 기하 구조의 상당한 변화, 감지 가능한 액세스 포인트(AP)의 수, 그리고 수신 신호의 이질성으로 인해 중요한 과제로 남아 있습니다. 기존의 학습 기반 방법들은 특히 명시적인 인프라 교정 없이 무선 측정값에 직접 의존하는 앵커 프리(anchor-free) 설정에서 다양한 환경에 걸쳐 일반화하는 데 어려움을 겪는 경우가 많습니다. 주요 난제는 다음과 같습니다:

• 기하학적 다양성: 평면도, 자재, 실 내부 밀도의 차이는 독특한 차폐 및 다중 경로 패턴을 생성하며, 이로 인해 건물 간 또는 단일 건물 내에서도 신호 관측값이 크게 달라집니다.
• 가변적인 AP 가시성: 관측 가능한 AP의 수가 위치에 따라 변동하므로, 가변 길이의 입력 시퀀스와 불규칙한 입력 공간이 발생합니다.
• 신호 이질성: 수신 신호 강도(RSSI)와 채널 상태 정보(CSI)는 경로 손실, 섀도잉(shadowing), 장치-환경 간 상호작용으로 인해 높은 변동성을 보이며, 이로 인해 고정된 전력 시그니처는 견고한 위치 추정에 신뢰하기 어렵습니다.

방법론: OmniLoc
본 논문은 원시 무선 측정값으로부터 직접 앵커 프리 위치 추정을 수행하도록 설계된 환경 상호작용형 파운데이션 모델인 OmniLoc을 제안합니다. 합성 데이터나 단일 환경 학습에 크게 의존하는 기존 방식과 달리, OmniLoc은 세 가지 핵심 아키텍처 설계를 기반으로 구축되었습니다:

1. 통합 입력 토큰화 (Unified Input Tokenization, UIT):
   이질적인 측정값(CSI 크기, RSSI, SINR 및 AP 존재 여부 지표)을 처리하기 위해, 모델은 이러한 신호들을 "문장 형태"의 표현으로 변환합니다.

   • 입력 퓨전: 각 AP별로 CSI, RSSI, SINR를 결합하여 통합 특징 벡터를 형성합니다.
   • 소프트 게이팅 (Soft Gating): AP 존재 플래그가 이 벡터들을 요소별 곱셈(element-wise multiplication)을 통해 조절하며, 부재하는 AP에 대해 단순히 0으로 만드는 대신 그래디언트 흐름을 보존합니다.
   • 시퀀스 구성: 글로벌 AP 신호 벡터를 인코딩하고 풀링하여 "GLOBAL" 토큰을 생성한 뒤, 이를 게이팅된 AP 토큰들과 결합합니다. 이를 통해 모델은 고정된 AP 순서를 가정하지 않고도 로컬 AP 관측값과 광범위한 데이터베이스 컨텍스트를 모두 포착할 수 있습니다.

2. 기하학 인지형 트랜스포머 (Geometry-Aware Transformer):
   백본은 패딩된(관측되지 않은) AP 슬롯을 어텐션 계산에서 제외하기 위해 **키-패딩 마스크(Key-Padding Mask, KPM)**를 사용하는 커스텀 트랜스포머 인코더를 활용합니다.

   • 다중 프로브 AP 집계 (Multi-Probe AP Aggregation, MPAA): 단순 평균 풀링 대신, 모델은 멀티 헤드 어텐션 풀링 메커니즘을 채택합니다. 이를 통해 서로 다른 어텐션 헤드가 전문화될 수 있습니다. 예를 들어, 어떤 헤드는 지배적이고 가까운 AP에 집중하는 반면, 다른 헤드는 보조적인 AP들로부터 보완적인 증거를 집계합니다. 이는 전통적인 풀링 방식에서 발생할 수 있는, 하나의 강력한 AP가 평균화 과정에서 가려지는 문제를 해결합니다.

3. 기하학 인지형 위치 추정 (Geometry-Aware Location Estimation, GLO):
   출력 헤드는 기하학적 일관성을 강제하기 위해 계층적 위치 추정 프로세스(건물 $\to$ 층 $\to$ 좌표)를 구현합니다.

   • 모델은 먼저 건물 및 층 인덱스를 예측합니다.
   • 이러한 이산적 예측값들은 연속적인 기하학적 임베딩으로 투영됩니다.
   • 이 임베딩들은 집계된 특징 표현과 융합되어 좌표 회귀를 조건화합니다. 이는 예측된 $(x, y)$ 좌표가 식별된 건물 및 층 구조와 공간적으로 일치하도록 보장합니다.

주요 기여

• 원시 측정을 위한 최초의 파운데이션 모델: OmniLoc은 기하학적 다양성과 가변적인 AP 수를 명시적으로 다루며, 무선 측정값에 직접 구축된 최초의 앵커 프리 실내 위치 추정용 파운데이션 모델 기반 접근 방식으로 제시됩니다.
• 새로운 아키텍처 구성 요소: 통합 입력 토큰화, MPAA 메커니즘, GLO 모듈의 도입을 제안합니다.
• 광범적인 평가: 본 프레임워크는 대규모 자체 보유 데이터셋(16개 건물, 180개 복도, 3,293개 AP)과 공개 벤치마크인 WILD 데이터셋을 통해 검증되었습니다.

결과

• 우수한 정확도: 동일 환경 평가에서 OmniLoc은 기존의 최첨단 베이스라인(CNN, BERT, LWM)을 크게 능가합니다. 모델은 0.553 m의 중앙값 오차와 0.990 m의 제곱평균제곱근 오차(RMSE)를 달려 달성하였으며, 특히 꼬리 오차(tail-error) 지표인 P90에서 강력한 개선을 보였습니다.
• 구성 요소 전이 가능성: OmniLoc의 설계 구성 요소(토큰화, MPAA, GLO)를 기존 백본(예: CNN+, BERT+)에 통합하면 성능이 일관되게 향상되어, 제안된 원칙의 일반화 가능성을 입증했습니다.
• 교차 환경 일반화: "한 개의 층 제외(leave-one-floor-out)" 및 "한 개의 건물 제외(leave-one-building-out)" 시나리오에서 OmniLoc은 견고한 일반화 성능을 보여줍니다. LoRA(Low-Rank Adaptation)와 같은 매개변수 효율적 미세 조정(PEFT) 전략과 결합했을 때, 모델은 매우 제한된 레이블 데이터(1%~10%)만으로도 높은 정확도를 달치하며 저데이터 환경에서 처음부터 학습된 모델들을 크게 앞질렀습니다.
• 효율성: 성능 향상에도 불구하고, OmniLoc은 기존의 대규모 모델(예: LWM)과 유사한 수준의 파라미터 수와 계산 복잡도를 유지하며, 약 6.49 ms의 추론 지연 시간을 기록했습니다.

의의 및 주장
저자들은 OmniLoc이 통합적이고 정확하며 확장 가능한 솔루션을 향한 전환을 나타낸다고 주장합니다. 위치 추정을 파운데이션 모델 작업으로 다룸으로써, 본 연구는 다음을 입증합니다:

1. 사전 조사된 인프라에 의존하지 않고도 다양한 실내 기하 구조 전반에서 견고한 앵커 프리 위치 추정이 가능하다.
2. 무선 신호의 이질성과 가변적인 AP 가시성이라는 특정 과제는 통합 토큰화 및 기하학 인지형 어텐션 메커니즘을 통해 효과적으로 관리될 수 있다.
3. 대규모의 다양한 데이터셋에 대한 사전 학습은 미지의 환경에 대한 강력한 전이 가능성을 부여하여, 환경별 데이터 수집에 대한 의존도를 낮춘다.

본 논문은 현재의 한계점(예: CSI 위상 정보의 제외 및 거친 기하학적 사전 정보 사용)이 존재하지만, 이 프레임워크가 향후 정밀한 환경 컨텍스트를 통합함으로써 밀리미터 수준의 정밀도를 달성할 수 있는 유망한 방향을 제시한다고 결론짓습니다.