[논문 리뷰] Model-Driven End-to-End Learning for Integrated Sensing and Communication

José Miguel Mateos-Ramos, Christian Häger외 3명|arXiv (Cornell University)|2022. 12. 20.

Fault Detection and Control Systems인용 수 5

한 줄 요약

이 논문은 MIMO 레이더 및 MISO 통신 시스템에서 통합 감지 및 통신(ISAC)을 위한 모델 기반 엔드 투 엔드 학습 아키텍처를 제안한다. 물리적 신호 모델과 신경망을 융합하여 하드웨어 결함 상황에서도 강건성을 향상시킨다. 복잡도 제약 조건 하에서, 모델 기반 학습은 표준 신경망을 능가하며, 예측되지 않은 시나리오로의 일반화 능력도 뛰어나다.

ABSTRACT

Integrated sensing and communication (ISAC) is envisioned to be one of the pillars of 6G. However, 6G is also expected to be severely affected by hardware impairments. Under such impairments, standard model-based approaches might fail if they do not capture the underlying reality. To this end, data-driven methods are an alternative to deal with cases where imperfections cannot be easily modeled. In this paper, we propose a model-driven learning architecture for joint single-target multi-input multi-output (MIMO) sensing and multi-input single-output (MISO) communication. We compare it with a standard neural network approach under complexity constraints. Results show that under hardware impairments, both learning methods yield better results than the model-based standard baseline. If complexity constraints are further introduced, model-driven learning outperforms the neural-network-based approach. Model-driven learning also shows better generalization performance for new unseen testing scenarios.

연구 동기 및 목표

• 비균일한 안테나 간격과 같은 하드웨어 결함으로 인한 ISAC 시스템의 성능 저하를 해결한다.
• 물리적 신호 모델과 신경망을 융합하는 학습 프레임워크를 개발하여, 실제 세계의 결함에 적응하면서도 성능 보장을 유지한다.
• 무제한 및 제한된 계산 복잡도 조건 하에서, 모델 기반 학습을 표준 신경망 및 모델 기반 기준과 비교한다.
• 학습 데이터에 포함되지 않은 새로운 각도 영역에서의 일반화 성능을 평가한다.
• 불완전한 하드웨어를 가진 실용적인 6G ISAC 시나리오에서 향상된 강건성과 적응 능력을 입증한다.

제안 방법

• MIMO 송신기와 동일 위치에 있는 감지 및 원격 통신 수신기를 사용하여 ISAC 문제를 통합 감지 및 통신 작업으로 공식화한다.
• 깊은 언폴딩을 통해 신호 모델(예: 훼손된 안테나 간격을 가진 스텔링 벡터)을 구조화된 신경망에 통합한 모델 기반 학습 아키텍처를 설계한다.
• 하드웨어 결함 상황에서 감지 및 통신 성능을 균형 있게 유지할 수 있도록, 자동에코더를 사용해 전송 beamformer를 학습한다.
• 기호 오차율(SER), 탐지 실패 확률, 각도 추정을 위한 평균 제곱근 오차(RMSE)를 조합한 미분 가능한 손실 함수를 사용해 모델 기반 네트워크를 훈련한다.
• 은닉 뉴런 수(N=21)와 격자 점 수(N_grid=156)를 제한하여 복잡도 제약 조건을 구현하며, 모델 기반 접근과 동일한 파라미터 수를 맞춘다.
• 유사한 하드웨어 결함 조건 하에서 표준 신경망(NT)과 모델 기반 기준과의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 ISAC 시스템에서 하드웨어 결함 상황에서 모델 기반 엔드 투 엔드 학습이 표준 신경망 및 모델 기반 기준과 비교해 어떻게 성능을 내는가?
• RQ2 학습 가능한 파라미터 수가 제한된 복잡도 제약 조건 하에서 모델 기반 학습이 성능를 유지할 수 있는가?
• RQ3 학습 데이터에 포함되지 않은 새로운 각도 영역에 대해 모델 기반 학습이 데이터 기반 신경망보다 더 잘 일반화되는가?
• RQ4 랜덤한 안테나 간격 편차와 같은 하드웨어 결함이 모델 기반 및 학습 기반 ISAC 시스템의 성능에 어떤 영향을 미치는가?
• RQ5 학습 기반 ISAC 설계에서 성능, 일반화 능력, 복잡도 간의 상충 관계는 어떻게 나타나는가?

주요 결과

• 하드웨어 결함 상황(안테나 간격 편차가 i.i.d. 가우시안 분포로 σ_λ = λ/30)에서, 모델 기반 학습과 신경망 기반 학습 모두 모델 기반 기준을 능가한다. 이는 모델 불일치에 대한 적응 능력 덕분이다.
• 복잡도 제약 조건(N=21, N_grid=156) 하에서, 모델 기반 학습은 제한 없이 학습한 경우와 유사한 성능을 유지하지만, 신경망 기반 학습은 탐지 및 각도 추정 성능이 크게 저하된다.
• 학습 데이터에 포함되지 않은 새로운 테스트 시나리오(예: 훈련에서 포함되지 않은 [−20°, 20°] 영역의 타겟)에서, 모델 기반 학습은 탐지 실패 확률과 각도 추정 RMSE 면에서 모두 기준 및 신경망 기반 학습을 능가한다.
• 모델 기반 학습은 신경망보다 더 잘 일반화되며, 이는 훈련 데이터에 과적합되지 않고 결함이 있는 스텔링 벡터의 구조를 효과적으로 포착하기 때문임을 시사한다.
• 모델 기반 접근은 약 2,500개의 복소수 파라미터를 사용하는 반면, 신경망은 약 5,000개의 실수 파라미터를 사용한다. 이는 유사한 복잡도 수준이지만, 모델 기반 접근이 훨씬 뛰어난 강건성을 확보함을 의미한다.
• 결과적으로, 모델 기반 학습은 실용적인 ISAC 시스템에서 하드웨어 결함 상황에서 성능, 일반화 능력, 복잡도 간의 유리한 상충 관계를 제공함을 입증한다.