협업형 셀프리 MIMO ISAC을 위한 분산 VQ‑VAE 기반 위치·속도 추정

본 논문은 차세대 6G 무선망에서 통신과 레이더 기능을 하나의 인프라로 통합하는 ISAC(Integrated Sensing and Communication) 기술을, 셀프리 MIMO 구조에 적용한 새로운 프레임워크를 제시한다. 전통적인 단일 기지국(monostatic) 기반 ISAC는 공간다양성 부족과 셀 경계에서의 통신·감지 성능 저하라는 한계가 있었으며, 다중 AP가 협업하는 셀프리 구조는 이러한 문제를 해결할 수 있다. 그러나 다중 AP가 생성하는 방대한 원시 센싱 데이터는 프론트홀(프론트 엔드와 중앙 처리 장치 간 연결) 전송량을 급증시켜 실용성을 저해한다. 이를 극복하기 위해 저자들은 “분산 벡터양자화 변분오토인코더(D‑VQVAE)”라는 새로운 신경망 기반 압축·양자화 방식을 고안하였다. D‑VQVAE는 크게 세 부분으로 구성된다. 첫 번째는 각 AP에 배치된 경량 엔코더로, 수신된 OFDM 에코(복소수 형태)를 고차원 연속 잠재벡터로 인코딩한다. 두 번째는 전역에 공유되는 코드북이며, 연속 잠재벡터를 가장 가까운 이산 코드워드(인덱스)로 양자화한다. 양자화된 인덱스만이 프론트홀을 통해 CPU(중앙 처리 장치)로 전송되므로 데이터량이 크게 감소한다. 세 번째는 CPU에 위치한 디코더로, 모든 AP로부터 수집된 인덱스 시퀀스를 역변환해 통합 잠재 표현을 복원하고, 이어서 다층 피드포워드 네트워크를 통해 목표물의 3차원 위치와 전속도 벡터를 직접 추정한다. 이 과정에서 전통적인 “각도·거리·도플러”와 같은 중간 파라미터를 별도로 추정할 필요가 없으며, 따라서 오류 전파가 최소화된다. 학습 단계에서는 협업형 엔드‑투‑엔드 최적화가 핵심이다. 각 AP는 로컬 손실(예: MSE)과 전역 손실을 동시에 고려해 엔코더 파라미터를 업데이트한다. 코드북은 EMA(Exponential Moving Average) 방식을 사용해 지속적으로 정제되며, 커밋멘트 손실을 추가해 연속 잠재벡터가 할당된 코드워드와의 거리를 최소화한다. 이렇게 하면 양자화 과정에서 발생할 수 있는 정보 손실을 억제하고, 학습 수렴성을 크게 향상시킨다. 성능 검증을 위해 저자들은 5가지 베이스라인과 CRLB(Cramér‑Rao Lower Bound)를 설정했다. 베이스라인에는 (1) 단일 BS에서 CNN 기반 중앙집중식 감지, (2) CS(Compressed Sensing) 기반 완전분산 감지, (3) MUSIC 기반 분산 감지, (4) 기존 논문에서 제안한 CNN 중앙집중식 감지, (5) D‑VAE 기반 분산 감지(ablative study)가 포함된다. 시뮬레이션 결과, D‑VQVAE는 프론트홀 전송량을 기존 중앙집중식 방식 대비 99 % 감소시키면서도, 위치 추정 RMSE와 속도 추정 RMSE 모두 베이스라인보다 우수한 성능을 보였다. 특히 다중 AP가 제공하는 다시각(multiview) 정보가 코드북 기반 이산 표현에 효과적으로 통합되어, 전통적인 2단계(파라미터 추정 → 위치·속도 계산) 방식에서 발생하는 누적 오차를 근본적으로 차단한다. 논문의 주요 공헌은 다음과 같다. 첫째, 셀프리 MIMO ISAC 환경에서 프론트홀 부하를 최소화하는 실용적인 압축·양자화 스킴을 제시하였다. 둘째, 분산 VQ‑VAE를 활용한 엔드‑투‑엔드 학습 프레임워크를 설계해, 엔코더·코드북·디코더를 공동 최적화하였다. 셋째, EMA 기반 코드북 업데이트와 커밋멘트 손실을 도입해 양자화 손실을 억제하고 학습 안정성을 확보하였다. 넷째, 다양한 베이스라인과 CRLB와의 비교를 통해 제안 방식의 우수성을 정량적으로 입증하였다. 향후 연구 과제로는 (1) 실시간 하드웨어 구현을 위한 경량화 및 연산 최적화, (2) 동적 환경(채널 변동, 목표물 이동)에서의 코드북 적응 메커니즘, (3) 비동기식 AP 간 협업 및 부분적인 프론트홀 제한 상황에서의 견고한 성능 유지, (4) 대규모 셀프리 네트워크에서의 스케일링 및 보안 문제 등을 제시한다. 이러한 확장 연구는 제안된 D‑VQVAE 기반 협업 ISAC이 실제 6G 시스템에 적용될 수 있는 기반을 마련할 것으로 기대된다.