딥러닝 기반 RIS 최적화: 오프덤 레이더 간섭 제거의 새로운 지평

본 논문은 심층 학습과 RIS 기술을 결합하여 OFDM 레이더 간섭을 효과적으로 제거하는 새로운 프레임워크를 제시합니다. MUSIC 알고리즘 개선, MLP 기반 RIS 최적화, 컨벌루션 기법 활용 등을 통해 SINR 향상 및 정확한 위치 추정을 달성하였으며, 다중 서브캐리어 지원으로 실제 환경 적용 가능성을 높였습니다.

Ali Parchekani, Milad Johnny, Shahrokh Valaee 세 연구원이 발표한 논문 "Model-Based Deep Learning Tuning of Reconfigurable Intelligent Surface for OFDM Radar Interference Mitigation"은 레이더 시스템의 성능 향상에 혁신적인 접근 방식을 제시합니다. 특히, 재구성 가능 지능형 표면 (RIS) 을 활용하여 오프덤(OFDM) 레이더에서 발생하는 간섭을 효과적으로 제거하는 심층 학습 기반 프레임워크를 선보였습니다.

핵심은 개선된 MUSIC 알고리즘을 통해 표적과 간섭의 각도를 정확하게 추정하고, 이 정보를 바탕으로 다층 퍼셉트론(MLP) 이 RIS의 구성을 최적화하는 것입니다. MLP는 추정된 각도를 입력으로 받아 RIS의 구성을 출력하며, 특별히 고안된 손실 함수는 간섭을 효과적으로 억제하면서 표적을 정확하게 탐지할 수 있도록 설계되었습니다.

더 나아가, 연구팀은 컨벌루션 기법을 도입하여 간섭 각도에 노치 필터를 생성함으로써 표적과 간섭 신호를 더욱 명확하게 분리했습니다. 이는 신호 대 간섭 및 잡음 비율 (SINR) 을 향상시키는 데 크게 기여합니다. 또한, 이 방법은 다중 서브캐리어 환경에서도 작동하도록 확장되어 실제 환경에서의 강인성과 성능을 높였습니다. 시뮬레이션 결과는 제안된 기법이 SINR을 향상시키고 정확한 위치 추정을 제공함을 보여주며, 복잡한 환경에서의 레이더 시스템에 대한 잠재력을 입증합니다.

이 연구는 단순히 간섭 제거 기술을 넘어, 심층 학습과 RIS 기술의 결합을 통해 레이더 시스템의 성능 한계를 극복하고자 하는 획기적인 시도입니다. 향후 레이더 기술 발전에 중요한 영향을 미칠 것으로 예상됩니다. 특히, 자율주행, 사물 인터넷 등 다양한 분야에서 레이더 시스템의 정확성과 안정성이 중요해지고 있는 현 시점에서 이 연구의 파급 효과는 상당할 것으로 기대됩니다.