A Simultaneous Clustering and Tracking Algorithm for Capturing Cluster-Level Spatial Consistency in 6G Wireless Channels

기술 요약: 6G 무선 채널의 클러스터 수준 공간 일관성 포착을 위한 동시 클러스터링 및 추적 알고리즘

문제 정의
공간 일관성은 매시브 MIMO, 통합 센싱 및 통신(ISAC), 테라헤르츠(THz) 통신과 같은 6G 기술에서 현실적인 채널 모델링을 위해 필수적인 물리적 특성이다. 클러스터 수준에서 이 특성은 송수신기가 이동함에 따라 유사한 특성을 가진 다중 경로 성분(MPC)들이 동일한 클러스터 내에 그룹화되어 채널 파라미터의 매끄러운 진화를 보장해야 함을 의미한다.

클러스터 수준의 공간 일관성을 추출하기 위한 기존 방법들은 일반적으로 두 가지 범주로 나뉜다: "클러스터링 후 추적(tracking-after-clustering)"과 "클서터링 및 추적 결합(joint clustering-and-tracking)"이다.

• 클러스터링 후 추적은 프로세스를 분리하여, 개별 스냅샷에 대해 클러스터링(예: KPowerMeans 또는 DBSCAN 사용)을 수행한 후 스냅샷 간에 클러스터를 연관시킨다. 이는 스냅샷 간에 클러스터 구성이 변할 때 파편화된 궤적을 초래하는 경우가 많다.
• 클러스터링 및 추적 결합은 이전 스냅샷의 정보(일반적으로 클러스터 중심점 또는 칼만 필터 예측값)를 사용하여 현재의 클러스터링을 유도하려고 시도한다. 그러나 이러한 방법들은 종종 단순한 중심점 매칭에 과도하게 의존하며, 지연, 각도 및 공간 도메인 전반에 걸친 MPC의 결합 분포를 충분히 활용하지 못한다.

결과적으로, 기존 지표들(클러스터링을 위한 Davies–Bouldin 또는 Calinski–Harabasz 지수, 그리고 추적을 위한 Gradient Change Rate 등)은 이러한 측면들을 별개로 평가하며, 클러스터링 품질과 추적 일관성을 결합하여 반영하지 못한다.

방법론: MD-SCT 알고리즘
저자들은 마할라노비스 거리 기반의 동시 클러스터링 및 추적(MD-SCT) 알고리즘을 제안한다. 유클리드 거리 기반 접근 방식과 달리, MD-SCT는 기존 클러스터의 파라미터 분포와 새로운 관측된 MPC 사이의 거리를 측정하기 위해 마할라노비스 거리를 활용한다. 이 접근 방식은 MPC 파라미터(지연, 방사각/입사각, 송수신기 위치) 간의 공분산 구조를 본질적으로 고려한다.

알고리즘은 다음과 같이 작동한다:

1. 초기화: 밀집된 공간 영역에서, 초기 MPC 세트에 대해 전통적인 클러스터링 방법(예: KPowerMeans 또는 DBSCAN)을 적용하여 $K_1$개의 초기 클러스터를 설정한다. 이는 초기 평균 벡터와 공분산 행렬의 견고한 추정을 보장한다.
2. 동시 할당: 후속 스냅샷에 대해, 각 새로운 MPC는 기존 클러스터 $k$의 파라미터 분포에 대한 마할라노비스 거리($D_{Mah}$)가 임계값($D_{th}$) 미만인 경우 해당 클러스터에 할당된다. 이 단계는 새로운 관측치를 과거의 분포와 연관시킴으로써 본질적으로 추적을 수행한다.
3. 이상치 처리: 기존 클러스터에 부합하지 않는 MPC는 이상치로 표시된다. 이들은 새로운 클러스터를 형성하기 위해(클러스터 탄생을 의미) 전통적인 방법들을 사용하여 재클러스터링된다.
4. 클러스터 생애 주기: 연속된 스냅샷 동안 할당된 MPC가 없는 클러스터는 비활성 상태(클러스터 소멸)로 간주된다. 알고리즘은 일시적인 관측 공백 동안 휴면 클러스터를 유지하는 메모리 메커니즘을 포함하여 차단(blockage)에 대한 견고성을 향상시킨다.
5. 복잡도 최적화: 계산 비용을 관리하기 위해, 역공분산 행렬을 Woodbury 행렬 역전 공식을 사용하여 반복적으로 업데이트함으로써 복잡도를 $O(N_{par}^3)$에서 $O(N_{par}^2)$로 줄인다.

주요 기여

1. 알고리즘 설계: 이전에 할당된 MPC들에 의해 형성된 지연, 각도 및 송수신기 위치의 결합 분포 구조를 활용하여 클러스터 수준의 공간 일관성을 개선하는 MD-SCT 알고리즘을 제안하였다.
2. 응용: 산업용 IoT(IIoT) 시나리오에서의 측정 기반 결정론적 레이 트레이싱을 통해 생성된 132 GHz sub-THz 채널 데이터에 이 알고리즘을 적용하였다.
3. 평가 지표: 연속적인 스냅샷 간의 클러스터링 통계(예: DB 지수, CH 지수, 파라미터 표준 편차)의 공간 일관성을 정량화하기 위한 새로운 지표로서 **평균 연속 차이 제곱(MSSD)**을 도입하였다.

실험 결과
알고리즘은 132 GHz IIoT 시나리오의 채널 데이터를 사용하여 다차원 특징 지표 기반(MFM) 추적 방법과 비교 검증되었다.

• 클러스터 연속성: MD-SCT 알고리즘은 MFM에 비해 현저히 적지만 더 길고 연속적인 클러스터 궤적을 생성하였다. 구체적으로, MFM이 평균 길이 1.457 m인 104개의 클러스터를 생성한 반면, MD-SCT는 평균 추적 길이 11.894 m인 17개의 클러스터를 식별하였다.
• 추적 일관성: MD-SCT 알고리즘은 0.028의 Gradient Change Rate(GCR)를 달성하였는데, 이는 MFM의 0.561보다 현저히 낮은 수치로, 클러스터 중심의 진화가 훨씬 더 매끄러움을 나타낸다.
• 통계적 안정성: 클러스터링 통계(DB, CH) 및 파라미터 표준 편차(지연, 각도)에 대한 MSSD 값은 MD-SCT에서 일관되게 더 낮았다. 예를 들어, Davies–Bouldin 지수에 대한 MSSD는 MFM의 0.007에 비해 MD-SCT는 0.003이었다.
• 클러스터 품질: 추적에 중점을 두었음에도 불구하고, MD-SCT는 스냅샷 최적화된 MFM 방법(평균 DB: 0.402; 평균 CH: 134.825)과 대등한 클러스터 응집도 및 분리도(평균 DB: 0.369; 평균 CH: 146.072)를 유지하였다.

의의
본 논문은 MD-SCT 알고리즘이 클러스터링을 수행하면서 동시에 추적을 수행함으로써 클러스터 진화를 더 매끄럽게 만들어, 6G를 위한 공간 일관성 모델링의 신뢰성을 높인다고 주장한다. 저자들은 이러한 결과가 빔 트래킹, 환경 인지 센싱, 그리고 매시브 MIMO 및 sub-THz 통신 시스템 설계를 위한 공간 일관성 인지 채널 모델링을 지원함을 밝힌다. 본 연구는 MPC의 결합 분포를 포착함으로써 제안된 방법이 분리되거나 중심점에 의존하는 추적 방식의 한계를 해결한다는 점을 강조한다.