Lightweight Non-Line-of-Sight Channel Detection for ML-assisted Bluetooth Direction Finding

기술 요약: ML 지원 블루투스 방향 탐지(Direction Finding)를 위한 경량 비가시선(NLOS) 채널 검출

문제 정의
블루투스 저전력(BLE) 방향 탐지(DF)는 산업용 실내 측위 및 리테일 서비스에 점점 더 많이 활용되고 있다. 그러나 비가시선(NLOS) 환경에서는 다중 경로 반사 및 산란으로 인해 각도 도착(AoA) 추정치에 편향이 발생하여 정확도가 크게 저하된다. 광대역 시스템(예: UWB, 셀룰러)에서 채널 임펄스 응답(CIR) 특징을 사용하는 ML 기반 NLOS 검출 방식은 잘 확립되어 있으나, 이를 BLE에 직접 적용하기에는 한계가 있다. BLE는 제약이 많은 2.4 GHz ISM 대역에서 좁은 대역폭으로 동작하므로 광대역 CIR 특징을 사용할 수 없다. 또한, 기존의 공개 BLE 데이터셋은 LOS/NLOS 분류에 최적화되어 있지 않으며, 특히 CTE(Constant Tone Extension) IQ 통계와 같은 고유한 BLE 관측값에 특화된 엄격한 ML 프레임워크가 부족하다. 아울러, 실제 BLE 배포는 자원이 제한된 임베디드 플랫폼에서 이루어지는 경우가 많으므로, 정확도와 계산 복잡도, 메모리 점유율, 추론 지연 시간 사이의 균형을 맞추는 경량 알고리즘이 필요하다.

방법론
저자들은 BLE CTE IQ 특징에 특화되어 설계된 품질 중심의 경량 ML 파이프라인을 제안한다. 방법론은 다음 네 가지 단계로 구성된다:

1. 데이터 획득 및 생성: u-blox XPLR-AOA-3 하드웨어를 사용하여 두 가지 서로 다른 실내 환경(금속 구조물이 있는 정사각형 방("R")과 사무실 복도("O"))에서 통제된 측정 캠페인을 수행하였다. 그래핀 코팅 블로커를 사용하여 직접적인 신호 경로를 차단하고 반사파만 허용함으로써 NLOS 조건을 강제하였다. 이 과정을 통해 LOS 및 NLOS 시나리오에 대한 64차원 IQ 유도 특징 벡터를 포함하는 레이블링된 데이터셋을 생성하였다.
2. 특징 공학 및 전처리:
   • 강건한 표준화(Robust Standardization): NLOS 데이터에서 흔히 발생하는 이상치(outlier) 및 헤비 테일(heavy-tailed) 효과의 영향을 완화하기 위해, 사분위수 범위(IQR)를 활용한 강건한 분위수 기반 표준화(RobustScaler)를 적용하였다.
   • 탐색적 분석: 주성분 분석(PCA)을 사용하여 LOS와 NLOS 클래스 간의 통계적 분리 가능성을 검증하였다. 적응형 커널 밀도 추정(AKDE)을 사용하여 클래스 조건부 확률 밀도 함수(PDF)를 모델링하였으며, 이를 통해 NLOS 분포가 LOS에 비해 더 두꺼운 꼬리와 더 큰 분산을 가짐을 확인하였다.
3. 커널 근사 및 특징 매핑: 고비용의 전체 커널 방법을 사용하지 않고 비선형 구조를 포착하기 위해, 연구에서는 Nyström 커널 근사(NKA)를 활용한다. 이는 저차원 비선형 특징 맵을 구축한다. Random Fourier Features(RFF), Radial Basis Function(RBF), Polynomial, Sigmoid를 포함한 여러 커널 유형을 평가하였다.
4. 경량 분류: 파이프라인은 커널 변환된 특징 위에서 작동하는 경량 지원 벡터 분류기(SVC) 헤드를 채택한다. 이 방식은 Random Forest(RF) 및 다층 퍼셉트론(MLP)을 포함한 베이스라인 모델들과 비교된다. 본 프레임-워크는 신뢰할 수 없는 NLOS 채널을 감지하여 이후의 삼각 측량에서 제외하는 "식별 및 폐기(identification-and-discard)" 전략을 강조한다.

주요 기여

• 데이터셋 생성: 두 가지 다른 전파 환경에서의 통제된 BLE AoA 측정을 통해 레이블링된 LOS/NLOS 데이터셋을 생성하였으며, PCA 및 AKDE를 통한 통계적 검증을 병행하여 클래스 분리성을 확인하였다.
• 커널-특징 선택: Nyström 커널 근사(NKA)가 특징 공간 내의 고유한 비선형성을 포착함으로써 선형 베이스라인보다 성능을 유의미하게 향상시킨다는 것을 입증하였다.
• 체계적 프레임워크: 자원이 제한된 BLE 장치에 특화된 커널 유형, 하이퍼파라미터 및 특징 예산(feature budget)을 선택하기 위한 품질 가이드 프레임워크를 제안하였다.
• 저복잡도 검출: 보정된 사후 확률을 생성하는 경량 분류 파이프라인을 개발하고 비교하였다. 이를 통해 오분류 비용을 고려하여 실시간 배포를 위한 비용 인식형 임계값 선택이 가능하다.

결과
네 가지 데이터셋 구성(시나리오 "R" 및 "O", 그리고 합성된 "Mixed" 및 "Proportional" 조합)에 대한 실험 결과는 다음과 같다:

• 정확도 향상: NKA 기반 접근 방식은 원시 선형 SVC 베이스라인 대비 정확도를 약 7~14% 향격시켰다. 예를 들어, "O" 시나리오에서 7K 학습 크기 기준, NKA-SVC는 선형 SVC의 86%에 비해 93%의 정확도에 도달하였다.
• 모델 비교: MLP가 가장 높은 절대 정확도(약 90.8%)를 달却했으나, 훈련 복잡도와 하이퍼파라미터 민감도가 높았다. Random Forest는 경쟁력 있는 정확도를 보였으나 메모리 효율성이 부족했다.
• 효율성 트레이드오프: Nyström-SVC 방식(특히 RFF 사용 시)이 가장 유리한 트레이드오프를 제공하였다. 이는 MLP 대비 추론 시간을 약 44% 단축하였고, 다른 비선형 모델에 비해 훈련 시간을 크게 줄이면서도 작은 메모리 점유율(RF의 120 KB 대비 RFF+SVC의 약 17 KB)을 유지하였다.
• 강건성: 모델은 노이즈에 대해 강건함을 보였으며, 20 dB SNR의 가법 백색 가우시안 노이즈(AWGN)를 도입했을 때 정확도 저하가 1~3% 이내로 제한되었다.
• 보정(Calibration): 파이프라인은 보정된 사후 확률을 성공적으로 생성하여, 민감도와 특이도 사이의 원하는 트레이드오프에 따른 적응형 임계값 선택을 가능하게 하였다.

의의 및 주장
본 논문은 제안된 프레임워크가 산업용 BLE AoA 위치 추정을 위한 견고한 NLOS 분류-및-폐기(classification-and-discard)를 위한 실질적이고 효과적인 경로를 제공한다고 주장한다. 저자들은 딥러닝 모델(MLP)이 높은 정확도를 제공하지만, 제안된 커널 기반 선형 SVC 접근 방식이 훈련 복잡도, 추론 비용 및 메모리 사용량 측면에서 자원이 제한된 환경에 더 우수하다고 강조한다. 또한, 본 연구는 BLE 전용 특징 변환이 데이터 기반 채널 분류에 필수적임을 입증하며, 일반적인 광대역 방식은 불충분함을 보여준다. 마지막으로, 이러한 품질 지표를 포지셔닝 엔진에 통합함으로써 특수한 하드웨어 가속 없이도 AoA 측정값에 대한 신뢰도 기반 가중치를 부여하여 전체적인 위치 추정의 신뢰성을 높일 수 있음을 시사한다.