기술 요약: 도시 지역의 최적화된 HAPS 지원 위치 결정(Localization)을 위한 메타휴리스틱 프레임워크

문제 정의

성층권(18~22km)에서 운용되는 고고도 플랫폼 스테이션(HAPS)은 GNSS를 보강하기 위해 구조화된 신호 기회(SoOP)를 제공한다. HAPS는 유리한 가시선(LOS) 조건과 높은 고각을 보유하고 있지만, 밀집된 도시 환경은 심각한 신호 차단 및 비가시선(NLOS) 조건을 유발하여 GNSS 정확도를 저하시킨다. 단순한 기하학적 정밀도 저하(GDOP)에 기반한 기존 배치 전략은 이러한 실제적인 장애물을 고려하지 못한다.

핵심 과제는 **다중 모드 다목적 최적화 문제(MMOP)**이다. 즉, 관심 영역(ROI)에 대한 평균 3D 위치 결정 오차 경계(PEB)를 최소화하는 동시에 인프라 비용(HAPS 수)을 최소화하도록 HAPS의 수와 공간적 배치를 공동으로 결정하는 것이다. 이 문제는 다음과 같은 특성을 갖는다:

• 이산 변수: HAPS의 수는 정수이다.
• 비볼록성(Non-convexity): 목적 함수는 3D 도시 모델로부터 도출된 환경 특유의 LOS/NLOS 조건에 의존한다.
• 비미분성(Non-differentiability): 전통적인 폐쇄형(closed-form) 또는 볼록 최적화 기법은 적용이 불가능하거나, 비볼록 제약 조건의 정확한 완화를 보장할 수 없기 때문에 최적이 아닌 해를 산출할 수 있다.

방법론

저자들은 고충실도 시뮬레이션과 세 가지 서로 다른 최적화 알고리즘을 통합한 메타휴리스틱 프레임워크를 제안한다.

1. 시스템 모델 및 시뮬레이션 프레임워크

• 3D 도시 모델링: ROI를 정의하기 위해 상세한 3D 도시 모델(예: 월스트리트, 루자쭈이, 캘거리 다운타운)을 활용한다.
• 레이 트레이싱(Ray-Tracing) 및 스카이라인 마스크: 계산 복잡성을 관리하기 위해, 최적화 루프 중에 레이 트레이싱을 반복 실행하는 대신, 레이 트레이싱을 통해 사전 계산된 "스카이라인 마스크"를 각 후보 수신기 위치에 대해 생성한다. 이는 신호를 LOS 또는 NLOS로 분류한다.
• 오차 모델링: 다경로(multipath) 및 NLOS 효과로 인한 헤비 테일(heavy-tailed) 및 다중 모드 분포를 반영하기 위해 가우시안 혼합 모델(GMM)을 사용하여 의사거리(pseudorange) 오차를 모델링한다. 네 가지 시나리오(Baseline, Extreme Reflection, Extreme NLOS, Low-End Receiver)를 테스트한다.
• 목적 함수: 최적화는 두 가지 목적을 최소화한다: (1) 전체 사이드리얼 데이(sidereal day) 동안의 평균 3D PEB(CRLB를 통해 계산됨), (2) HAPS의 수.

2. 메타휴리스틱 알고리즘

세 가지 알고리즘은 이산적인 HAPS 수와 비볼록한 탐색 공간을 처리하도록 조정되었다:

• ASDNSGA-II (Adaptive Special-Crowding Distance NSGA-II): 결정 공간과 목적 공간을 모두 고려하는 특수 혼잡 거리(Special Crowding Distance, SCD)를 도입한 NSGA-II의 확장 버전이다. 적응형 교차 메커니즘(Simulated Binary Crossover와 Blend Crossover 간 전환)과 진정한 파레토 집합(Pareto set)을 알 수 없는 상황을 고려한 휴리스틱 교차 유형 할당 전략을 채택한다.
• NSGA-III: 다목적 최적화를 위해 설계되었으며, 혼잡 거리 대신 참조점 기반 선택 전략(수직 거리)을 사용한다. 공정한 비교를 위해 ASDNSGA-II와 동일한 적응형 교차 및 휴리스틱 할당 전략을 포함하도록 수정되었다.
• MOPSO (Multi-Objective Particle Swarm Optimization): 속도 업데이트 시 일관성을 보장하기 위해 비지배 해(non-dominated solutions)를 HAPS 수에 따라 그룹화하는 계층적 아카이브 업데이트 메커니즘을 적용하여 수정되었다. 또한 이산 결정 공간에서의 다양성을 높이기 위해 다항 변이(polynomial mutation)를 사용한다.

3. 주요 알고즘 수정 사항

• 결정 공간 다양성: 표준 혼잡 거리는 변수의 기수(cardinality)가 다른 경우 불충분하다. 저자들은 서로 다른 수의 HAPS를 가진 솔루션 간의 다양성을 공정하게 평가하기 위해 합산 최근접 이웃 거리(Aggregated Nearest-Neighbor Distance, ANND) 지표를 제안한다.
• 휴리스틱 교차 할당: 진정한 파레토 집합에 의존하는 대신, 솔루션의 순위와 혼잡 거리를 기반으로 교차 유형을 선택하는 전략을 개발하였다.
• 계층적 아카이브 (MOPSO): 입자(particle), 개인 최적값(personal best), 리더(leader)가 업데이트 중에 일관된 HAPS 수를 유지하도록 보장한다.

주요 기여

1. 새로운 최적화 문제: 실질적인 제약 조건(PEB 임계값, 고도, 고각 마스크) 하에서 HAPS 수와 배치를 결합한 공동 최적화 문제를 정식화하였다.
2. 고충실도 프레임워크: 위성 궤도 전파, 3D 도시 모델, 레이 트레이싱 기반 LOS/NLOS 분류, GMM 기반 오차 모델링을 통합한 시뮬레이션 환경을 개발하였다.
3. 알고리즘 적응: 비볼록한 이산 탐색 공간을 탐색할 수 있도록 맞춤화된 세 가지 메타휴리스틱 솔루션(ASDNSGA-II, NSGA-III, MOPSO)을 개발하였다.
4. 다양성 지표: 다양한 HAPS 수를 가진 솔루션을 평가하기 위해 ANND에 기반한 결정 공간 혼잡 거리 방법을 제안하였다.
5. 휴리스틱 전략: 방법론적 일관성과 다양성을 유지하기 위해 ASDNSGA-II를 위한 휴리스틱 교차 유형 할당과 NSGA-III를 위한 적응형 수직 거리 임계값을 도입하였다.

결과

프레임워크는 세 가지 도시 지역(뉴욕, 상하이, 캘거리)과 네 가지 오차 시나리오에 대해 평가되었다.

• 베이스라인 대비 성능: 세 가지 메타휴리스틱 알고리즘 모두 Greedy-Add(핑거프린팅 기반 순차 선택 방식) 베이스라인보다 일관되게 우수한 성능을 보였으며, 특히 저중간 규모의 HAPS 구간(26개)에서 두드로웠다.
• 최적 구성: 테스트된 밀집 도시 시나리오의 경우, 18미터의 평균 3D PEB 임계값을 충족하기 위해 4개의 HAPS면 충분한 것으로 나타났다.
• 정량적 이득: 위성 전용 시스템과 비교했을 때, 2~5개의 HAPS 구성은 다음을 달축했다:
  • 평균 및 제곱평균제곱근(RMS) PEB의 50% 이상 감소.
  • 표준 편차(STD) 최대 94% 감소.
  • 변동 계수(CV) 최대 87% 감소.
• 수익 체감: 6개를 초과하는 HAPS의 경우, 기하학적 중복성과 배치 중첩으로 인해 성능 이득이 감소하였으며, 이는 더 많은 플랫폼을 추가해도 추가적인 이점이 제한적임을 나타낸다.
• 강건성: 프레임워크는 다양한 GMM 파라미터(다양한 도시 전파 조건을 시뮬레이션)와 도시 형태에 대해 강력한 강건성을 입증하였다.
• GDOP의 한계: GDOP만을 최소화하는 것은 도시 환경에서 불충분함을 보여주는데, 이는 GDOP가 환경 의존적 차단 현상을 포착하지 못하기 때문이다. 최적화된 배치는 순수 기하학적 솔루션과 다르게 나타나는 경우가 많다.
• 실행 시간: Greedy-Add 베이스라인이 고성능 클러스터에서 약 26시간이 소요된 반면, 메타휴리스틱 접근 방식은 표준 PC에서 월스트리트 시나리오에 대해 약 1시간 만에 대등하거나 더 우수한 품질의 해를 달성하였다.

의의 및 주장

본 논문은 현실적인 도시 환경에서 HAPS 지원 위치 결정을 위한 효과적이고 확장 가능한 솔루션을 구축했다고 주장한다. 주요 의의는 다음과 같다:

• 기하학을 넘어: 실질적인 도시 제약(차단, NLOS)은 GDOP와 같은 전통적인 기하학적 지표를 넘어서는 최적화 프레임워크가 필요함을 입증하였다.
• 효율성: 메타휴리스틱 접근 방식이 복잡하고 비볼록한 설계 공간을 효율적으로 탐색하여, 전수 조사나 그리디(greedy) 방식보다 적은 자원으로 최적에 가까운 구성을 찾을 수 있음을 증명하였다.
• 실제적 배치: 전략적으로 배치된 소수의 HAPS(예: 4개)가 밀집된 도시에서 GNSS 신뢰성을 크게 향 향상시킬 수 있으며, 이를 통해 성능과 인프라 비용 사이의 균형을 맞출 수 있다는 실행 가능한 통찰력을 제공한다.

저자들은 메타휴리스틱 프레임워크의 특성상 전역 최적해(global optimality)를 보장할 수 없다는 점을 인정하면서도, 솔루션이 고품질이며 다양한 조건에서 견고하다는 점을 강조하며 신중한 어조를 유지한다. 향후 연구로는 다중 성좌(multi-constellation) GNSS, 동적 수신기 궤적, 간섭 및 전력 예산과 같은 실제 시스템 제약 조건 등이 제시되었다.