3D 클러스터링 기반 딥러닝: 시뮬레이션과 현실의 간극을 뛰어넘는 UAV 기반 RF 신호원 위치 추정

무인 항공기(UAV)를 이용한 RF 신호원 위치 추정의 정확도를 높이기 위해, 향상된 시뮬레이션 모델과 3D 클러스터링 기반 딥러닝 모델을 결합한 새로운 방법이 제시되었습니다. 실제 환경 테스트에서 평균 18.2m의 오차만을 보이며 높은 정확도와 효율성을 입증했습니다.

시뮬레이션의 한계를 넘어: 현실 세계를 정복하는 AI

수색 및 구조, 재머 탐지, 적대 행위 모니터링 등 다양한 분야에서 RF 신호원의 위치를 정확하게 파악하는 것은 매우 중요합니다. 지상 기반 방법보다 자율적인 3D 항법과 고고도에서의 향상된 신호 포착 능력을 제공하는 무인 항공기(UAV)가 RF 신호원 위치 추정(RFSL)에 큰 이점을 제공합니다. 최근 딥러닝(DL)의 발전은 특히 실외 환경에서 위치 추정의 정확도를 더욱 향상시켰습니다.

하지만 대부분의 DL 모델은 실제 환경을 완벽하게 반영하지 못하는 시뮬레이션 데이터셋으로 학습되기 때문에 현실 세계에서 성능 저하 문제에 직면합니다. Saad Masrur과 Ismail Guvenc 연구팀은 이러한 문제를 해결하기 위해 향상된 이중 경로 전파 모델을 제시했습니다. 이 모델은 전파 환경 모델링의 정확도를 높여 시뮬레이션과 현실 간의 차이를 줄입니다.

RFSL을 위해 연구팀은 3D 클러스터링 기반 RealAdaptRNet이라는 딥러닝 기반 방법을 제안했습니다. 이 방법은 3D 클러스터링 기반 특징 추출을 활용하여 견고한 위치 추정을 달성합니다. 실험 결과, 제안된 향상된 이중 경로 모델은 기존의 자유 공간 및 이중 경로 모델에 비해 실제 전파 시나리오를 더 정확하게 시뮬레이션하는 것으로 나타났습니다.

특히, 시뮬레이션 데이터셋으로만 학습된 3D 클러스터링 기반 RealAdaptRNet은 AERPAW 물리적 테스트베드를 사용한 실제 환경 검증에서 평균 위치 오차 18.2m의 뛰어난 성능을 달성했습니다. 또한, 기존 모델보다 33.5배 적은 파라미터를 사용하여 계산 효율성이 높고 다양한 궤적에 걸쳐 강력한 일반화 성능을 보여 실제 응용 분야에 매우 적합합니다. 이 연구는 UAV 기반 RFSL 기술의 발전에 중요한 기여를 할 뿐만 아니라, 시뮬레이션 기반 딥러닝 모델의 실세계 적용 가능성을 크게 높였다는 점에서 의미가 큽니다. 앞으로 이 기술은 더욱 다양한 분야에서 활용될 것으로 기대됩니다.