Active Sensing for RIS-Aided Tracking and Power Control: A Hybrid Neuroevolution and Supervised Learning Approach

기술 요약: RIS 지원 추적 및 전력 제어를 위한 능동형 센싱

문제 정의
본 논문은 RIS(Reconfigurable Intelligent Surface)의 도움을 받아 다중 경로 환경에서 전력이 제한된 모바일 사용자 단말(UE)을 위한 에너지 효율적인 추적 및 위치 측위를 수행하는 과제를 다룹니다. 이 연구는 실제 6G IoT 배포 시 발생하는 두 가지 주요 제약 사항에 초점을 맞춥니다:

1. 하드웨어 한계: 실제 RIS 구현체는 연속적인 튜닝 대신 이산적(종종 이진형) 위상 변화를 사용하므로, 전통적인 경사 하강법 기반 최적화는 미분 불가능하며 계산적으로 난해(NP-hard)합니다.
2. 에너지 및 피드백 제약: UE는 엄격한 에너지 예산 하에서 작동하므로 지속적인 고전력 파일럿 전송은 지속 가능하지 않습니다. 또한, 기지국(BS)에서 UE로 전달되는 전력 제어용 피드백 링크는 초저전력 비코히런트(non-coherent) 수신기를 수용하기 위해 단일 비트 메시지(예: 전력을 "증가" 또는 "감소")로 제한됩니다.

목표는 누적 전력 예산을 준수하면서 위치 추정의 평균 제곱 오차(MSE)를 최소화하도록 이산적 RIS 위상 구성과 UE의 상향링크 송신 전력을 실시간으로 공동 최적화하는 것입니다.

방법론
저자들은 미분 불가능하고 분산된 제어 문제를 해결하기 위해 신경 진화(Neuroevolution, NE)와 지도 학습(Supervised Learning)을 결합한 이중 에이전트(Dual-Agent, DA) 딥러닝 프레임워크를 제안합니다. 시스템은 두 개의 협력하는 에이전트로 구성됩니다:

• BS 에이전트: LSTM(Long Short-Term Memory) 유닛을 사용하는 순환 신경망(RNN)입니다. 수신된 파일럿 신호를 관찰하고 두 가지 동작, 즉 다음 단계의 이산적 RIS 위상 프로파일과 UE를 위한 단일 비트 피드백 명령을 출력합니다.
• UE 에이전트: 수신된 단일 비트 피드백 명령의 이력을 처리하여 다음 타임 슬롯을 위한 파일럿 송신 전력을 동적으로 조절하는 LSTM 기반 RNN입니다.

훈련 절차
이 프레임워크는 표준 역전파(backpropagation)의 한계를 극feit하기 위해 세 단계의 하이브리드 훈련 방법론을 채택합니다:

1. 초기 추정기 훈련: 위치 추정을 위한 베이스라인을 구축하기 위해 무작위 RIS 프로파일과 전력 레벨로 생성된 데이터셋을 사용하여 추정 네트워크를 지도 학습으로 훈련합니다.
2. 정책 진화(신경 진화): BS와 UE의 정책 네트워크를 경사도가 없는 진화 전략(구체적으로 CoSyNE의 변형)을 사용하여 공동 최적화합니다. 적합도 함수(fitness function)는 전력 예산 위반에 대해 벌점을 부여하고 낮은 추적 오차에 대해 보상을 줍니다. 이 단계는 이산적 RIS 요소의 미분 불가능성을 우회합니다.
3. 최종 추정기 미세 조정: 정책이 진화되면, 위치 추정 정확도를 극대화하기 위해 최적화된 정책으로부터 생성된 데이터로 최종 추정 네트워크를 재훈련합니다.

이 프레임워크는 유한한 코드북에서 디지털 결합기(digital combiners)를 선택하는 경미한 구조적 변경을 통해 단일 안테나 및 다중 안테나 BS를 모두 지원할 수 있도록 설계되어 확장성을 갖추고 있습니다.

주요 기여

• 새로운 문제 정식화: 본 논문은 연속적인 RIS 위상을 가정하는 기존의 정적 위치 측위 연구를 넘어, 전력이 제한된 UE를 위한 능동형 상향링크 추적을 이산적 RIS 위상 제약(하드웨어 제약) 및 정보 병목 현상(단일 비트 피드백)과 함께 정식화했습니다.
• 하이브리드 DA 알고리즘: 이산적 RIS 제어의 비미분 특성과 희소한 피드백 루프를 효과적으로 처리하여, RIS 구성과 전력 제어의 공동 학습을 가능하게 하는 이중 에이전트 NE 프레임워크를 개발했습니다.
• 제약 조건에 대한 강건성: 제안된 방식은 단일 비트 피드백을 사용함에도 불구하고 효과적으로 작동하며, 이를 통해 UE는 시간적 명령 이력을 해석하여 센싱의 긴급성을 추론함으로써 정보 병목 현상을 완화할 수 있음을 보여줍니다.

수치 결과
광범한 시뮬레이션은 제안된 방식이 여러 베이스라인보다 우수함을 입증합니다:

• 추적 성능: DA 프레임워크는 높은 회전율과 운동 노이즈를 포함한 다양한 운동 모델에 대해 고전적 필터(확장 칼만 필터, 파티클 필터) 및 머신러닝 기반 추적기(A2C를 이용한 심층 강화 학습, 지도 학습 기반 RNN)를 크게 능가합니다.
• 위치 측위 성능: 정적 시나리오에서 이 방법은 전통적인 핑거프린팅(유전 알고리즘 최적화 변형 포함), 순수 지도 학습, 그리고 연속적 RIS 위상을 가정하는 역전파 기반 추정기보다 우수한 성능을 보입니다.
• 확장성 및 강건성: 제안된 알고리즘은 RIS 크기가 증가함에 따라 높은 성능을 유지하는 반면, 경사 기반 및 DRL 베이스라인은 성능이 저하됩니다. 또한 낮은 $\kappa$ 값의 라이시안 페이딩(Ricean fading) 조건과 높은 노이즈 수준에서도 강건함을 유지합니다.
• 피드백 효율성: 단일 비트 피드백만을 사용함에도 불구하고, 제안된 방식은 전체 스칼라 또는 멀티 비트 피드백 링크를 사용하는 방식과 거의 동일한 성능을 달면서도 UE 에너지를 훨씬 적게 소비합니다(전력 예산 준수).

의의 및 주장
본 논문은 하이브리드 신경 진화 및 지도 학습 접근 방식을 결리한 능동형 센싱이, 이산적 하드웨어 제약과 엄격한 에너지 예산이라는 이중 과제를 효과적으로 극복할 수 있음을 주장합니다. 저자들은 학습된 협력 프로토콜을 통해 경량 IoT 장치가 복잡하고 전력을 많이 소모하는 피드백 메커니즘이나 지속적인 RIS 튜닝 없이도 높은 정확도의 추적을 달 수 있다고 단언합니다. 본 연구는 지능적인 송신 전력 및 RIS 구성의 적응이 심각한 정보 병목 현상을 보완할 수 있음을 보여줌으로써, 에너지 효율적인 RIS 지원 위치 측위의 새로운 기준을 제시합니다.

향후 연구로는 이 프레임워크를 다중 RIS 배치로 확장하고, 위치 프라이버시 보장을 탐구하며, 계산 오버헤드를 더욱 줄이기 위해 모델 기반 NN 아키텍처를 통합하는 것이 제시되었습니다.