딥러닝 기반 대규모 MIMO 실내 사용자 위치추정: 시뮬레이션 사전학습과 NLoS 미세조정

본 논문은 OFDM‑MIMO 시스템의 복소 채널 계수만을 이용해 실내 사용자의 3차원 위치를 직접 회귀 형태로 예측하는 딥러닝 기반 위치추정 방법을 제안한다. 기존 실내 위치추정 기술은 별도 파일럿 신호, 추가 센서, 혹은 복잡한 모델링이 필요하지만, 제안된 방법은 이미 운영 중인 통신 시스템 위에 소프트웨어만 추가함으로써 구현 가능하다는 장점을 갖는다. 먼저 저자들은 실내 환경을 2‑D 평면(확장 가능)에 8~128개의 선형 안테나 배열을 배치하고, 각 안테나는 단일 복소 채널 계수 h_i 를 수집한다. 시뮬레이션 단계에서는 자유공간 LOS 모델을 이용해 무한히 많은 학습 샘플을 생성하고, 4개의 전결합(Dense) 레이어와 ReLU 활성화 함수를 갖는 신경망(총 파라미터 2 136 067개)을 1024개의 은닉 유닛으로 학습한다. 이 사전 학습 단계는 데이터 양에 제한이 없으며, 안테나 수와 SNR에 따라 NMSE가 크게 달라지는 것을 확인한다. 예를 들어, 4개의 안테나와 30 dB SNR에서 NMSE 1 %를 달성하고, 안테나 수를 두 배 늘리면 3 dB 향상이 관측된다. 다음으로 실제 실내 측정을 위해 ‘스파이더 안테나’ 시스템을 사용해 LOS와 NLoS 두 환경에서 채널을 측정하였다. 측정된 데이터는 16‑antenna 선형 배열을 기준으로, 단일 서브캐리어(40 MHz 대역)만을 입력으로 사용한다. 주파수 선택성이 미미하므로 다중 서브캐리어를 이용해도 성능 향상이 크지 않음이 확인되었다. 핵심 기여는 두 단계 학습 전략이다. 첫 단계에서 시뮬레이션된 LOS 데이터로 사전 학습을 수행하고, 두 번째 단계에서 실제 측정된 NLoS 데이터로 소량만 미세조정한다. 미세조정에 사용되는 데이터 배치는 ‘랜덤’, ‘좌‑우 분할’, ‘경계’ 세 가지 시나리오로 나뉘며, 특히 ‘경계’ 시나리오에서는 전체 면적의 30 %에 해당하는 가장자리 포인트만으로도 400~800개의 샘플이면 충분히 수렴한다. 이는 사전 학습된 가중치가 LOS와 NLoS 사이의 구조적 유사성을 효과적으로 활용한다는 증거이며, 무작위 초기화 대비 학습 속도와 데이터 효율성이 크게 개선된다. 성능 평가는 거리 정규화 평균제곱오차(NMSE) = E