초광대역(UWB) 기술은 고정밀 실내 위치추적을 가능하게 하지만, 신호가 차폐되는 비시야(non-line-of-sight) 환경에서는 성능이 상당히 저하된다. 비시야 채널을 정확히 식별하는 것은 위치추적 오차를 완화하는 데 필수적이다. 최근에는 합성곱 신경망(convolutional neural networks)과 장단기 기억(long short-term memory) 모델과 같은 딥러닝 방법이 채널 임펄스 응답 데이터의 원시(raw) 형태로부터 비시야 시나리오를 분류하는 데 적용되어 왔으나, 장거리 의존성을 포착하거나 공간 및 시간 특성을 효율적으로 추출하는 데 어려움을 겪어 분류 성능이 최적이 되지 못하는 경우가 많다. 본 논문은 수신된 초광대역 신호의 채널 임펄스 응답 원시 데이터를 사용하여 비시야 분류를 수행하기 위한 Transformer 아키텍처와 합성곱 신경망을 결합한 새로운 하이브리드 모델을 제안한다. Transformer는 자기어텐션을 통해 전역적 시간 의존성을 포착하는 반면, 합성곱 신경망은 국소적 공간 특성을 효율적으로 추출한다. 공개 데이터셋에 대한 실험 결과, 제안 모델은 널리 사용되는 평가 지표에서 벤치마크 방법을 능가함을 보여주었으며, 이는 초광대역 기반 실내 위치추적에서 비시야 탐지를 개선하는 데 그 효과가 있음을 강조한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.