⚡ electrical engineering

Massive MIMO-OFDM ISAC for Sparse ISAR Imaging: Joint Power and Subcarrier Allocation

이 논문은 희소한 ISAR 이미징을 위한 대규모 MIMO-OFDM ISAC 프레임워크를 제안하며, 이는 고해상도 이미지 복구를 위해 적응형 재가중 2D ADMM 알고리즘을 채택하고, 희소한 관측 조건 하에서 통신 스펙트럼 효율과 센싱 정확도 사이의 트레이드오프를 최적화하기 위해 Soft Actor-Critic 기반의 공동 자원 할당 전략을 사용한다.

원저자: Hamid Reza Hashempour, Yanjiao Li, Jie Zhang, Hyundong Shin, Hien Quoc Ngo

게시일 2026-07-21

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hamid Reza Hashempour, Yanjiao Li, Jie Zhang, Hyundong Shin, Hien Quoc Ngo

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

무선 세상을 수십억 개의 기기들이 동시에 서로 대화를 나누려 하는 북적이고 붐비는 고속도로라고 상상해 보십시오. 수십 년 동안 우리는 이 흐름을 유지하기 위해 더 넓은 차선(더 많은 스펙트럼)을 만들고 더 똑똑한 신호등(더 나은 신호 처리)을 구축해 왔습니다. 하지만 새로운 반전이 있습니다. 만약 이 고속도로 위의 자동차들이 별도의 눈을 가질 필요 없이, 주변 환경을 스캔하여 무엇이 다가오는지 살필 수 있는 눈과 귀의 역할까지 할 수 있다면 어떨까요? 이것이 바로 '통합 센싱 및 통신(ISAC)'의 약속입니다. 대화만을 위한 시스템(예: 당신의 휴대폰)과 관찰만을 위한 시스템(예: 레이더)을 따로 두는 대신, ISAC는 동일한 신호로 이 두 가지를 모두 수행하여 공간과 에너지를 절약하고자 합니다.

이를 실현하기 위해 엔지니어들은 무선 타워에 단 몇 개의 안테나 대신 수백 개의 아주 작은 안테나를 부여하는 것과 같은 기술인 '대규모 MIMO(Massive MIMO)'를 사용합니다. 이를 통해 타워는 신호를 레이저 빔처럼 집중시켜, 여러 사람과 동시에 대화하는 동시에 신호를 물체에 반사시켜 세상의 모습을 그려낼 수 있습니다. 하지만 여기에는 함정이 있습니다. 선명한 이미지(레이더 이미지와 같은)를 만들기 위해서는 보통 많은 양의 데이터를 지속적으로 보내야 합니다. 하지만 사람들과 대화하려고 노력 중이라면, 레이더를 위해 모든 시간과 주파수를 사용할 수 없습니다. 사람들의 답변을 듣기 위해 잠시 멈춰야 하기 때문입니다. 이는 데이터에 '구멍'을 만들어 레이더 이미지가 빠진 조각이 있는 퍼즐처럼 보이게 만듭니다. 큰 질문은, 대화 속도를 늦추지 않으면서 어떻게 이 빠진 조각들을 채워 넣어 선명한 이미지를 얻을 것인가 하는 점입니다.

이 논문은 바로 그 퍼즐을 다룹니다. 저자들은 대규모 안테나 타워가 이중 역할을 수행하는 신호를 내보내는 영리한 시스템을 제안합니다. 이 신호는 사용자에게 데이터를 전달하는 동시에 타겟에 부딪혀 고해 resolution 레이더 이미지(ISAR이라 불리는)를 생성합니다. 타워는 통신을 위해 멈춰야 하므로, 수집된 레이더 데이터는 '희소(sparse)'합니다. 이는 마치 울타리 사이로 얼굴을 보려는 것과 같습니다. 이를 해결하기 위해 연구진은 불완전하고 흩어진 단서들로부터 전체의 선명한 이미지를 재구성할 수 있는 새로운 수학적 '지우고 다시 그리는' 도구(적응형 알고리즘)를 개발했습니다. 또한, 신호의 어느 부분에 대화용으로 사용할지, 어느 부분에 관찰용으로 사용할지, 그리고 각각에 얼마만큼의 전력을 할당할지를 결정하는 스마트한 '교통 관제사'(인공지능 활용)를 만들었습니다.

논문의 결과에 따르면 이 접근 방식은 놀라울 정도로 잘 작동합니다. 새로운 재구성 도구를 사용함으로써, 이 시스템은 일반적인 신호 샘플의 25%만 사용 가능한 상황을 시뮬레이션했을 때도 매우 적은 양의 데이터만으로도 날카롭고 선명한 레이더 이미지를 만들어낼 수 있었습니다. 게다가, 이 스마트 교통 관제사는 모든 신호를 한꺼번에 사용하려고 시도하는 기존 방식보다 통신 속도를 훨씬 더 많이 끌어올렸습니다. 시뮬레이션 결과, 더 선명한 이미지를 얻는 것이 대개 약간의 대화 속도 저하를 의미한다는 트레이드오프(trade-off) 관계는 존재하지만, 그들의 방법은 인터넷 속도를 저하시키지 않으면서도 매우 좋은 이미지를 얻을 수 있는 최적의 지점을 찾아냈습니다. 이는 적절한 수학과 약간의 AI가 있다면 우리의 무선 네트워크가 놀라운 효율성으로 보고 말할 수 있게 만들 수 있음을 증명하며, 두 마리 토토끼를 모두 잡는 방법이 될 것입니다.

기술 요약: 희소 ISAR 이미징을 위한 Massive MIMO-OFDM ISAC

문제 정의
본 논문은 Massive MIMO(mMIMO) OFDM 프레임워크 내에서 고해상도 역합성 개구 레이더(ISAR) 이미징과 다운링크 통신을 통합하는 과제를 다룹니다. 통합 센싱 및 통신(ISAC)은 6G의 핵심 동력이지만, 기존 연구는 주로 점 타겟 파라미터 추정(거리, 속도, 각도)에 집중되어 있으며 확장된 타겟 이미징(extended target imaging)에 대해서는 미흡합니다. 또한, ISAC 시스템에서의 전통적인 ISAR 이미징은 전대역 센싱과 고정된 자원 할당에 의존하는 경우가 많아, 이는 스펙트럼 효율(SE)과 유연성을 제한합니다.

특히 ISAC 시스템 내에서 희소 어퍼처(sparse-aperture) ISAR 재구성을 처리하는 데 있어 구체적인 공백이 존재합니다. 시분할 쌍방향(TDD) 프로토콜에서는 업링크 파일럿 전송으로 인해 슬로우 타임(slow-time) 도메인에 간격이 발생하며, 동적 자원 할당으로 인해 센싱에 사용되는 부반송파의 일부 집합만이 사용될 수 있습니다. 이러한 요인들은 불완전한 측정을 초래하여, 표준 푸리에 기반 재구성 방법(예: 2D-FFT)이 심각한 아티팩트와 에일리어싱(aliasing)을 유발하기 쉽게 만듭니다. 또한, 이러한 희소 조건 하에서 통신 서비스 품질(QoS) 최적화와 센싱 성능(특히 ISAR 이미지 품질) 유지 사이의 트레이드오프가 체계적으로 규명되지 않았습니다.

방법론
저자들은 전송 신호가 통신 프리코딩과 전용 센싱 빔포밍의 가중 결합으로 구성되는 이중 기능 구조를 특징으로 하는 통합 mMIMO-OFDM ISAC 프레임워크를 제안합니다.

시스템 모델: 기지국(BS)은 $K$ 개의 단일 안테나 사용자를 서비스하는 동시에 확장된 타겟을 조사합니다. 시스템은 CP-OFDM 파형을 사용합니다. 센싱은 부반송파의 부분 집합( $\Omega_{sen}$ )에서 수행되며, TDD 파일럿 오버헤드로 인해 센싱에 사용 가능한 OFDM 심볼의 일부만 사용 가능하므로 2D 희소 측정 그리드가 생성됩니다.
희소 ISAR 재구성: 불완전한 측정값으로부터 고해상도 이미지를 복원하기 위해, 저자들은 문제를 거리-도플러 도메인에서의 희소 재구성 작업으로 정식화합니다. 이들은 적응형 재가중치 2차원 교대 방향 방법(Adaptive Reweighted Two-Dimensional Alternating Direction Method of Multipliers, ADMM) 알고리즘을 개발했습니다. 고정 파라미터 ADMM과 달리, 이 방법은 다음과 같은 특징을 갖습니다:
- 예비 매치 필터 이미지를 기반으로(간격 기반 접근법 및 노이즈 추정 사용) 희소성 임계값을 동적으로 추정합니다.
- 사이드로브(sidelobes)와 배경 노이즈를 더 잘 억제하기 위해 재가중치 $\ell_1$ 페널티를 채택합니다.
- 균형 잡힌 수렴을 보장하기 위해 프라이멀(primal) 및 듀얼(dual) 잔차에 따라 ADMM 페널티 파라미터를 적응시나합니다.
성능 지표 및 분석 벤치마크: 저자들은 채널 경화(channel hardening)와 통계적 채널 상태 정보(CSI)를 활용하여 통신 신호 대 간섭 및 잡음비(SINR)와 센싱의 주엽 대 평균 사이드로브 비(Mainlobe-to-Average-Sidelobe Ratio, MASR)에 대한 다루기 쉬운 표현식을 도출합니다. 또한, 베이스라인 역할을 할 최대 비(Maximum-Ratio, MR) 및 제로 포싱(Zero-Forcing, ZF) 프리코딩에 대한 분석적 전대역 벤치마크를 설정합니다.
결합 자원 할당: 부반송파 할당, 센싱 부반송파 선택 및 전력 할당을 공동으로 최적화하는 혼합 정수 비볼록(mixed-integer nonconvex) 문제를 해결하기 위해, 저자들은 소프트 액터-크리틱(Soft Actor-Critic, SAC) 알고리즘을 사용하는 심층 강화 학습(DRL) 프레임워크를 제안합니다. SAC 에이전트는 통신 QoS 제약 조건과 MASR 센싱 제약 조건을 만족하면서 합계 스펙트럼 효율을 최대화하는 정책을 학습합니다.

주요 기여

통합 프레임워크: 이중 기능 전송 신호를 통해 동시 다운링크 통신 및 ISAR 이미징을 지원하는 실용적인 mMIMO-OFDM ISAC 구조를 제안했습니다.
고급 재구성 알고리즘: 희소 슬로우 타임 및 희소 부반송파 측정값으로부터 ISAR 이미지를 효과적으로 복원하는 적응형 재가중치 2D-ADMM 알고리즘을 개발하여, 제로 필링(zero-filled) 2D-FFT 및 고정 $\lambda$ 2D-ADMM 방식보다 우수한 성능을 입증했습니다.
분석적 벤치마크: MR 및 ZF 프리코딩 하에서의 통신 SINR 및 센싱 MASR에 대한 폐쇄형(closed-form) 표현식을 도출하여, 분석적인 전대역 자원 할당 방안 수립을 가능하게 했습니다.
DRL 기반 최적화: 통신 처리량과 센싱 정확도 사이의 트레이드오프를 탐색하며 자원(부반송파 및 전력)을 동적으로 최적화하는 SAC 기반 희소 센싱 전략을 도입하여, 정적 전대역 벤치마크를 크게 상회하는 성과를 달ей했습니다.

결과
수치 시뮬레이션은 제안된 접근 방식의 유효성을 검증합니다:

이미징 품질: 적응형 2D-ADMM 알고리즘은 제로 필링 2D-FFT 및 고정 $\lambda$ 2D-ADMM에 비해 가장 낮은 정규화 평균 제곱 오차(NMSE)를 달성했습니다. 이 알고리즘은 희소 샘플링으로 인한 아티팩트를 효과적으로 억제하고 변화하는 신호 대 잡음비(SNR)에 적응합니다.
스펙트럼 효율: SAC 기반 희소 센싱 전략은 분석적 전대역 벤치마크에 비해 상당한 합계 스펙트럼 효율(SSE) 이득을 달성했습니다. 센싱 부반송파 비율을 줄임으로써(예: 50%에서 25%로), 센싱 제약을 충족하면서도 통신을 위해 더 많은 자원을 사용할 수 있게 되어 SSE를 개선했습니다.
프리코딩 성능: ZF 프리코딩은 우수한 간섭 억제 능력 덕분에 SSE 측면에서 MR 프리코딩보다 일관되적으로 우수한 성능을 보였으나, 엄격한 센싱 제약 조건(높은 MASR 임계값) 하에서는 그 격차가 좁혀졌습니다.
트레이드오프 특성화: 결과는 ISAR 재구성 정확도(NMSE)와 통신 SE 사이의 트레이드오프를 정량화합니다. 센싱 샘pling 비율이나 MASR 임계값을 높이면 이미지 품질은 향상되지만 SSE는 감소합니다. 저자들은 두 목적을 균형 있게 조절하는 유리한 운영 지점으로 중간 정도의 MASR 임계값(예: 20 dB)을 식별했습니다.

의의
본 논문은 기존 문헌에서 거의 탐구되지 않은 시나리오인 mMIMO-OFDM ISAC 프레임워크 내의 희소 ISAR 이미징을 조사함으로써 중요한 연구 공백을 메운다고 주장합니다. 본 연구는 고급 재구성 알고리즘 및 지능형 자원 할당과 결면된 희소 센싱이 고해상도 타겟 이미징 능력을 저해하지 않으면서도 통신 스펙트럼 효율을 크게 향 향상할 수 있음을 보여줍니다. 또한, 센싱 정확도와 통신 성능 간의 트레이드오프를 체계적으로 규명함으로써, 스펙트럼과 하드웨어 자원을 효율적으로 공유해야 하는 미래 6G 네트워크에서 ISAC 시스템을 배치하기 위한 실질적인 경로를 제공합니다.

유사한 논문