[논문 리뷰] Cellular Network Radio Propagation Modeling with Deep Convolutional Neural Networks

Xin Zhang, Xiujun Shu외 4명|arXiv (Cornell University)|2021. 10. 05.

Millimeter-Wave Propagation and Modeling참고 문헌 17인용 수 26

한 줄 요약

본 논문은 GIS 맵과 안테나 파라미터를 입력 이미지 텐서로 변환하여 경로 손실(path loss)을 예측하는 딥 컨볼루션 신경망 기반 모델인 PLNet를 제안하며, 경험적 모델 및 레이 트레이싱 모델에 비해 정확도와 속도 면에서 우수함을 입증한다.

ABSTRACT

Radio propagation modeling and prediction is fundamental for modern cellular network planning and optimization. Conventional radio propagation models fall into two categories. Empirical models, based on coarse statistics, are simple and computationally efficient, but are inaccurate due to oversimplification. Deterministic models, such as ray tracing based on physical laws of wave propagation, are more accurate and site specific. But they have higher computational complexity and are inflexible to utilize site information other than traditional global information system (GIS) maps. In this article we present a novel method to model radio propagation using deep convolutional neural networks and report significantly improved performance compared to conventional models. We also lay down the framework for data-driven modeling of radio propagation and enable future research to utilize rich and unconventional information of the site, e.g. satellite photos, to provide more accurate and flexible models.

연구 동기 및 목표

• 무선 전파 모델링을 심층 ConvNets를 사용한 영상 회귀 문제로 재정의한다.
• GIS 맵 레이어와 안테나 파라미터를 영상 채널로 통합한 입력 텐서를 설계한다.
• 경로 손실 예측에 맞춘 U-Net 스타일 아키텍처(PLNet)를 개발한다.
• 시뮬레이션 데이터와 실측 데이터를 사용하여 전통적 경험적 및 결정론적 모델에 비해 우수한 정확도와 속도를 입증한다.

제안 방법

• 각 영역 패치마다 GIS 맵 레이어와 안테나 파라미터를 8채널 입력 텐서로 변환한다.
• Skip 연결이 있는 U-Net 인코더-디코더를 사용하여 입력 텐서를 경로 손실 이미지로 매핑한다.
• 레이블된 경로 손실 행렬에 대해 MAE/MSE 손실을 사용하여 감독 학습으로 PLNet를 훈련한다.
• 사전 학습을 위한 시뮬레이션 레이 트레이싱 데이터와 미세 조정 및 평가를 위한 실제 측정 데이터 사용.
• PLNet를 SPM 등 경험적 모델 및 레이 트레이싱 기준선과 비교한다.
• GPU 가속 추론(예: Titan Xp에서 320×320 패치에 대해 0.33초)과 레이 트레이싱 30초를 비교 시연한다.

Figure 1. Ray tracing model.

실험 결과

연구 질문

• RQ1 GIS 계층, 안테나 파라미터 등 풍부한 사이트 정보를 활용하는 CNN 기반 모델이 기존의 경험적 또는 결정론적 모델보다 경로 손실을 더 정확하게 예측할 수 있는가?
• RQ2 데이터 기반의 영상 기반 표현이 위성 영상이나 입력 텐서의 추가 채널과 같은 비전통적 입력을 포함함으로써 이점이 있는가?
• RQ3 PLNet가 시뮬레이션 데이터와 실제 현장 데이터에서 어떻게 작동하며, 설계/계획 작업에서 레이 트레이싱의 빠른 대체물로 작용할 수 있는가?

주요 결과

도시	PLNet ST RMSE (dB)	레이 트레이싱 RMSE (dB)	SPM RMSE (dB)
City A	8.44	11.84	16.56
City B	9.54	12.87	17.15
City C	9.04	12.28	16.88
City D	8.81	12.02	17.02

• 실제 현장 데이터의 RMSE에서 테스트 도시 전반에 걸쳐 PLNet가 기존 모델을 능가한다(예: City A–D).
• 보정 데이터로 PLNet가 SPM보다 낮은 RMSE를 달성하고 보고된 사례에서 보정된 레이 트레이싱보다 우수한 성능을 보인다.
• PLNet는 GPU에서 0.33초에 320×320 경로 손실 맵을 예측하는 등 상당한 속도 이점을 보여주며, Volcano 레이 트레이싱 시뮬레이터의 30초와 비교된다.
• 초기 층 필터의 시각화는 건물 및 지형 입력에 해당하는 학습된 패턴을 보여 주며, 네트워크가 현장별 전파 특성을 포착하고 있음을 시사한다.
• 시뮬레이션 레이 트레이싱 데이터로의 사전 학습은 PLNet가 실제 데이터에 적용 가능한 표현을 학습하도록 도와주며, 실제 데이터가 제한될 때 성능을 향상시킨다.

Figure 2. Channels of input tensor to PLNet.