다중모달 센싱 잔차 보정 그래프 신경망을 이용한 mmWave 경로 손실 예측

본 논문은 6G 기반 지능형 교통 시스템(ITS)에서 차량 간 mmWave 통신의 경로 손실을 정확히 예측하기 위한 새로운 프레임워크인 MM‑ResGNN(Multi‑Modal Sensing Residual‑Corrected Graph Neural Network)을 제안한다. 연구 배경으로는 기존 경험적 모델(Free‑Space, Close‑In 등)이 복잡한 도시·교외 환경의 블록킹 효과와 동적 차량의 영향을 충분히 반영하지 못하고, 전통적인 머신러닝 방법이 링크 간 상호 의존성을 무시한다는 한계가 있다. 이를 극복하기 위해 저자들은 먼저 전파 환경을 ESPL‑Graph(Environment Sensing Path Loss Graph)라는 그래프 형태로 추상화한다. 여기서 노드는 송신기(Tx)와 수신기(Rx)를, 엣지는 Tx‑Rx 전송 링크와 Rx‑Rx 간의 공간 상관관계를 동시에 나타낸다. 특히, Rx‑Rx 엣지는 인접 수신기들 사이의 차폐·반사 특성을 반영해, 그래프 메시지 패싱 과정에서 링크 간 상관성을 학습하도록 설계되었다. 다음으로 물리 기반 베이스라인을 도입한다. 이는 전파 전파 이론에 기반한 거리·전파 손실 모델을 사용해 대규모 감쇠 추세를 미리 계산하고, 실제 측정값과의 차이(잔차)만을 학습 대상으로 삼는다. 이렇게 하면 모델이 복잡한 환경 변동성(예: 건물·수목에 의한 블록킹, 차량 동적 변화)에 집중할 수 있다. 잔차 학습을 위해 저자들은 VMMPL(Vehicular Multi‑Modal Path Loss) 데이터셋을 새롭게 구축하였다. 데이터셋은 AirSim과 Wireless InSite를 연동한 공동 시뮬레이션 플랫폼을 이용해, 물리 공간(3D 모델)과 전자기 공간(Ray‑Tracing 기반 경로 손실)을 정밀히 정렬한다. 세 가지 시나리오(도시 광폭 차선, 도시 교차로, 교외 분기 도로)에서 각각 30 ~ 40 k 스냅샷을 수집했으며, 각 스냅샷마다 ego‑centric RGB 이미지, 건물·수목 이진 마스크, 전송 링크의 실제 경로 손실값을 제공한다. 총 41.8 k 이미지와 5 k 수준의 Rx 노드가 포함된 대규모 데이터셋이다. MM‑ResGNN의 핵심 구조는 (1) 토폴로지‑인식 그래프 인코더, (2) 시각적 의미 추출기, (3) 게이트 기반 융합 모듈, (4) 잔차 회귀 디코더로 이루어진다. 그래프 인코더는 GCN/GraphSAGE 계열의 메시지 패싱을 통해 각 Rx 노드의 위치·거리·블록킹 특성을 집계한다. 시각적 의미 추출기는 ResNet‑50 기반의 CNN으로 RGB 이미지에서 건물·수목·도로 등 세부 의미를 추출하고, 이를 전역 마스크와 결합해 픽셀‑레벨 차폐 정보를 얻는다. 게이트 융합 모듈은 그래프 특징과 시각 특징을 동적으로 가중합하여, 환경에 따라 어느 정보가 더 중요한지를 학습한다. 최종 디코더는 잔차값을 예측하고, 물리 베이스라인과 합산해 최종 경로 손실을 출력한다. 실험에서는 기존 경험적 모델, SVM, Random Forest, 그리고 단순 CNN‑LSTM 기반 시각 모델과 비교했다. MM‑ResGNN은 NMSE 0.0098, MAE 5.7991 dB, MAPE 5.0498%를 기록했으며, 특히 복잡한 교차로 시나리오에서 MAE가 30% 이상 감소했다. 또한 few‑shot 파인튜닝 실험에서 새로운 시나리오에 대해 10~20개의 라벨만으로도 기존 모델 대비 25~35%의 MAE 개선을 달성, 데이터 효율성과 일반화 능력을 입증했다. 연산 측면에서는 그래프당 평균 5 k 노드, 2‑3 layer GNN을 사용했으며, 추론 시간은 12 ms(RTX 3080 기준)로 실시간 적용 가능성을 시사한다. 다만, 실제 현장 측정 데이터와의 차이 검증, 28 GHz 외 다른 주파수 대역에 대한 확장성, 그리고 대규모 그래프에 대한 메모리 최적화가 향후 과제로 남는다. 결론적으로, 본 연구는 물리‑기반 베이스라인과 다중모달 시각 정보를 그래프 신경망에 결합한 잔차 보정 프레임워크를 제시함으로써, 복잡한 차량 환경에서 mmWave 경로 손실을 높은 정확도로 예측하고, 제한된 라벨 데이터에서도 빠르게 적응할 수 있는 방법을 제공한다. 이는 6G ITS에서 네트워크 플래닝, 전력 제어, 인터페어런스 관리 등 다양한 시스템 레벨 최적화에 직접 활용될 수 있다.