Small Language Model enabled Autonomous agent for Language-Conditioned Cognitive Radar

기술 요약: 언어 조건부 인지 레이더를 위한 소형 언어 모델 기반 자율 에이전트

문제 정의
현대적인 어레이 레이더 시스템은 변화하는 간섭, 클러터 및 데이터 가용성에 대응하여 신호 처리 전략을 동적으로 적응시켜야 한다. 전통적인 파이프라인은 고정된 규칙, 룩업 테이블 또는 운영자의 전문 지식에 의존하며, 이는 고수준의 작업 설명이나 동적인 환경에 일반화하는 데 실패하는 경우가 많다. 인지 레이더 프레임워크가 지각-행동 사이클을 통해 이를 해결하기 위해 존재하지만, 기존 솔루션은 주로 파형 또는 시스템 파라미터 최적화에 집중되어 있으며, 언어에 조건화된 지능적인 신호 처리 알고리즘 선택에는 초점을 맞추지 못하고 있다. 또한, 범용 대규모 언어 모델(LLM)은 수치적 환각(hallucination)의 위험, 물리적 제약 조건의 결여, 기밀 환경에서의 데이터 프라이버시 문제로 인해 레이더 응용 분야에 부적합하다.

방법론
본 논문은 어레이 신호 처리의 지능형 컨트롤러 역할을 하는 소형 언어 모델(SLM) 기반 자율 에이전트를 위한 프레임워크를 제격한다. 이 시스템은 모듈형 아키텍처를 사용하는 도구 증강(tool-augmented) 에이전트로 작동한다:

1. 물리 기반 도구 체인: 독립적인 Python 패키지(NumPy 및 SciPy 사용)는 확립된 어레이 신호 처리 알고리즘을 구현한다. 이 모듈은 다음을 포함한다:

   • 어레이 시뮬레이터: 다양한 윈도잉 가중치(Uniform, Dolph-Chebyshev, Taylor)를 가진 협대역 균일 선형 어레이(ULA) 스냅샷 데이터를 생성한다.
   • 빔포밍 도구: Delay-and-Sum (DAS), Minimum Variance Distortionless Response (MVDR), Minimum Power Distortionless Response (MPDR), 그리고 Linearly Constrained Minimum Variance (LCMV)를 포함한다.
   • DOA 추정 도구: Multiple Signal Classification (MUSIC), Estimation of Signal Parameters via Rotational Invariance Techniques (ESPRIT), 그리고 Orthogonal Matching Pursuit (OMP)를 포함한다.
   • 제약 사항: 에이전트는 산술 연산을 직접 수행하지 않는다. 모든 수치 계산은 환각을 방지하기 위해 이러한 물리 도구로 위임된다.

2. SLM 에이전트: 추론 엔진은 Ollama를 통해 로컬에서 서비스되는 Qwen3.5(4비트 양자화된 9B 파라미터 모델)를 활용한다. 이러한 선택은 Nvidia Jetson과 같은 장치에서의 엣지 배포를 지원하며 프라이버시를 보장한다. 에이전트는 추론과 도구 호출을 교차하는 ReAct (Reason-Act) 패러다임을 따른다.

3. 시스템 프롬프트 엔지니어링: 기본 모델이 레이더 특화 미세 조정(fine-tuning)을 거치지 않았기 때문에, 특화된 시스템 프롬프트가 도메인 지식을 인코딩한다. 여기에는 다음이 포함된다:

   • 에이전트의 역할 및 규칙 정의 (예: "항상 도구를 사용할 것").
   • 각 알고리즘의 작동 조건 (예: MUSIC은 $L \gg N$ 스냅샷이 필요함).
   • 의사결정을 위한 전문가 사전 지식 (예: 훈련 데이터가 없는 경우 MVDR 대신 MPDR을 선택).
   • 불가능한 주장을 차단하기 위한 불가침의 물리적 제약 조건 (예: 레일리 해상도 한계).
   • 도구 호출 전 명시적 추론 및 도구 출력에만 근거한 비어 있지 않은 최종 답변 요구 사항.

4. 에이전트 루프 및 상태 관리: 에이전트는 구조화된 관찰-추론-행동(observe-reason-act) 루프를 실행한다. RunContext 데이터 클래스는 도구 호출 전반에 걸쳐 상태를 유지하여, 에이전트가 이전 단계의 수치 결과(예: 공분산 행렬)를 후속 결정에 사용할 수 있도록 한다. "넛지(nudge)" 메커니즘은 모델이 최종 답변 없이 대화를 조기에 종료하려고 할 때 결과를 요약하도록 유도함으로써 조기 종료로부터 회복한다.

주요 기여
본 논문은 네 가지 주요 기여를 기술한다:

1. 정식화: 언어 조건부 인지 레이더를 도구 증강 SLM-에이전트 문제로 정의하고, 자연어를 어레이 신호 처리 동작으로 매핑한다.
2. 구현: 수치적 주장이 모델이 생성한 산술이 아닌 실행 가능한 루틴에서 파생되도록 보장하는 모듈형, 물리 기반 레이더 도구 체인을 구축한다.
3. 안전성 및 감사 가능성: 물리적 제약을 강제하고, 수치적 환각을 줄이며, 모든 결정을 트랜스크립트 로깅을 통해 감사 가능하게 만드는 레이더 특화 시스템 프롬프트, 파라미터 검증 및 상태 관리 메커니즘을 설계한다.
4. 평가: 에이전트 수준의 결정 지표와 물리 기반 레이더 성능 지표를 모두 사용하는 확장된 자연어 벤치마크를 통해 시스템을 평가한다.

실험 결과
시스템은 6가지 작업 범주(사이드로브 제어, 단일/다중 재머 억제, 저스냅샷 DOA 추정, 코히어런트 소스 처리, 미지정 프롬프트)에 대해 합성 ULA 벤치마크($N=16$ 요소)에서 평가되었다.

• 절제 연구(Ablation Study): 전체 에이전트를 베이스라인(규칙 기반 컨트롤러, 레이더 프롬프트가 없는 SLM, 도구가 없는 SLM)과 비교한 결과는 다음과 같다:
  • 전체 SLM 에이전트는 86.1%의 종단간(End-to-End) 성공률을 달축했다.
  • 레이더 특화 프롬프트를 제거하면 알고리즘 선택 정확도가 크게 하락했다 (91.1%에서 67.8%로).
  • 도구 실행을 제거하면 "환각 없는 비율(Hallucination-free rate)"이 98.9%에서 52.8%로 떨어져, 신뢰할 수 있는 수치 보고를 위해 도구가 필수적임을 확인했다.
  • 규칙 기반 컨트롤러는 패러프레이징되거나 미지정된 요청에 대해 낮은 성능(15.0% E2E 성공률)을 보였다.
• 성능 지표:
  • 사이드로브 제어: 에이전트는 특정 사이드로브 요구 사항(예: $-30$ dB)을 충족하기 위해 Dolph-Chebyshev 테이퍼링을 성공적으로 선택했으며, 물리적으로 예상된 대로 주엽(mainlobe) 폭과 억제 사이의 트레이드오프를 수행했다.
  • 재머 억제: 에이전트는 훈련 데이터가 있을 때의 MVDR과 데이터가 없을 때의 MPDR을 정확히 구분하였고, LCMV를 사용하여 타겟 이득을 유지하면서도 깊은 널(null, 예: $-120$ dB)을 형성했다.
  • DOA 추정: 저스냅샷 조건($L < N$)에서, 에이전트는 표준 MUSIC 대신 ESPRIT 또는 OMP를 선택함으로써 알고리즘 실패 모드에 대한 인지 능력을 보여주었다.

의의 및 주장
본 논문은 주의 깊게 설계된 시스템 프롬프트와 물리 기반 도구 체인에 의해 제약된다면, 소형의 로컬 호스팅 언어 모델이 신호 처리를 위한 신뢰할 수 있는 인지 컨트롤러 역할을 할 수 있다고 주장한다. 본 연구의 의의는 다음과 같다:

• 로컬 배포: SLM은 임베디드 플랫폼에서 오프라인으로 작동할 수 있어, 민감한 레이더 응용 분야에서의 데이터 유출 위험을 완화할 수 있다.
• 신뢰성: 도메인 특화 프롬프트와 도구 증강의 결적인 결합은 과학적 컴퓨팅의 치명적 실패 모드인 수치 결과의 환각을 효과적으로 방지한다.
• 일반화: 시스템은 고정된 규칙 기반 시스템보다 다양한 자연어 명령 및 동적인 시나리오(예: 변화하는 스냅샷 수, 코히어런트 소스)에 더 잘 일반화된다.

저자들은 현재의 한계에 대해 겸허함을 유지하며, 결과가 합성 ULA 데이터와 고정된 도구 세트에 기반하고 있음을 언급한다. 하드웨어 레이더 데이터, 비-ULA 기하학 구조, 복잡한 전파 환경에서의 견고성을 입증하는 것은 향-후 과제로 남겨두었으며, 현재 시스템이 학습된 장기적 적응보다는 프롬프트 수준의 사전 지식에 의존하고 있음을 인정한다.