[논문 리뷰] A Vision-based Framework for Intelligent gNodeB Mobility Control

Pedro Arthur Pinheiro Rosa Duarte, André Coelho외 4명|arXiv (Cornell University)|2026. 03. 18.

Software-Defined Networks and 5G인용 수 0

한 줄 요약

본 논문은 VisionRAN을 제시한다. 시각 기반의 O-RAN 프레임워크로 SMs POS 및 VIS, VisionApp(DQN 기반 모빌리티 제어), 그리고 학습 및 에뮬레이션을 위한 VisionTwin을 포함하며, 고정된 gNB 배치에 비해 LoS 차단을 최대 75%까지 감소시키는 것을 달성한다.

ABSTRACT

This paper proposes a vision-based framework for the intelligent control of mobile Open Radio Access Network (O-RAN) base stations (gNBs) operating in dynamic wireless environments. The framework comprises three innovative components. The first is the introduction of novel Service Models (SMs) within a vision-enabled O-RAN architecture, termed VisionRAN. These SMs extend state-of-the-art O-RAN-based architectures by enabling the transmission of vision-based sensing data and gNB positioning control messages. The second is an O-RAN xApp, VisionApp, which fuses vision and radio data, and uses this information to control the position of a mobile gNB, using a Deep Q-Network (DQN). The third is a digital twin environment, VisionTwin, which incorporates vision data and can emulate realistic wireless scenarios; this digital twin was used to train the DQN running in VisionApp and validate the overall system. Experimental results, obtained using real vision data and an emulated radio, demonstrate that the proposed approach reduces the duration of Line-of-Sight (LoS) blockages by up to 75% compared to a static gNB. These findings confirm the viability of integrating multimodal perception and learning-based control within RANs.

연구 동기 및 목표

• 개방적이고 모듈식인 RAN 아키텍처에서 지각 기반 제어를 촉진하여 역동적인 환경과 LoS 장애를 처리한다.
• 위치 및 비전 데이터에 대한 새로운 서비스 모델을 도입하여 다중 모드 센싱으로 O-RAN을 확장한다.
• 비전과 무선 데이터를 융합하여 강화학습으로 이동식 gNB 위치를 제어하는 비전 보조 xApp(VisionApp)을 개발한다.
• 현실적인 시나리오에서 학습 기반 모빌리티 컨트롤러를 학습하고 검증하기 위한 디지털 트윈(VisionTwin)을 생성한다.
• 실제 비전 데이터와 에뮬레이션된 RF 환경을 사용하여 엔드 투 엔드 타당성을 시연하고 정적 기준선 대비 향상을 보여준다.

제안 방법

• 다중 모드 데이터 교환을 가능하게 하기 위해 위치 지정용 POS 및 비전 데이터용 VIS의 두 가지 새로운 E2 서비스 모델과 함께 VisionRAN을 도입한다.
• E2 에이전트를 사용해 POS/VIS 데이터를 전송하고 E2 인터페이스를 통해 JSON 형식으로 gNB 모빌리티 명령을 수신한다.
• 비전과 무선 데이터를 융합한 구조화된 상태를 구성하고 이산적 gNB 모빌리티 행동을 출력하는 DQN 기반 xApp인 VisionApp을 개발한다.
• DQN을 학습시키고 현실적인 gNB/UE/장애물 동역학을 시뮬레이션하기 위한 3D 디지털 트윈 및 Gym 호환 환경으로 VisionTwin을 구현한다.
• VisionApp을 200 ms 제어 간격으로 작동시켜 near-RT RIC에서 지각-행동 루프를 수행한다.
• DQN 입력 및 gNB 목표 위치를 도출하기 위해 사용되는 상태 벡터, 행동 공간 및 융합 단계들을 기술한다.

실험 결과

연구 질문

• RQ1 비전과 무선 데이터의 다중 모드 지각을 O-RAN near-RT 제어 루프에 통합하여 모바일 gNB 모빌리티를 관리할 수 있는가?
• RQ2 디지털 트윈에서 학습된 DQN 기반 모빌리티 컨트롤러가 정적 gNB에 비해 LoS 차단을 줄이고 링크 성능을 향상시키는가?
• RQ3 비전 데이터와 함께 POS 메시지를 사용한 장애물 위치 추정의 정확도는 어느 정도인가?
• RQ4 다수의 UE와 장애물에 대해 VisionRAN 아키텍처가 실시간 성능을 유지하며 확장 가능한가?
• RQ5 현실적 배포에서 시각 기반 RAN 제어를 배치하는 데 있어 실용적 고려사항과 한계는 무엇인가?

주요 결과

• VisionApp-enabled mobile gNB 제어는 정적 gNB에 비해 25초 동안 비가시선(NLoS) 지속 시간을 최대 75% 감소시킨다.
• 장애물 위치 추정 정확도는 실제값과의 비교에서 x에서 평균 절대 오차 8 cm, y에서 4 cm를 보인다.
• 시스템은 200 ms 제어 간격으로 실시간 작동을 달성하여 near-RT RIC에서 지각 기반 모빌리티 의사결정을 가능하게 한다.
• VisionTwin은 Gym 호환 환경과 RF 시뮬레이션을 사용하여 현실적인 폐루프 에뮬레이션을 위한 DQN 정책을 효과적으로 학습하고 검증한다.
• 프레임워크는 동적 조건에서 UE와 LoS를 유지하기 위해 gNB가 재배치될 때 SNR 안정성과 처리량이 향상된 것을 보여준다.