공중/IRS 기반 6G 무선망 자원관리 및 제어

AI-driven Resource Management and Control for 6G Wireless Networks with Aerial Platforms and IRS

연구 내용

UAV·HAP·flying IRS 환경에서 오프로딩과 무선 자원을 공동 최적화하고 지연·에너지 제약을 반영해 전송 성능을 높이는 연구

공중 플랫폼과 intelligent reflecting surface(IRS)를 포함하는 6G 무선망에서 자원 배분과 전송 제어를 최적화하는 연구를 수행합니다. HAP-UAV 오프로딩 문제를 다중에이전트 마코프 의사결정으로 변환해 중앙학습-분산실행 강화학습으로 해결합니다. flying IRS에서는 궤적과 위상쉬프트를 함께 결정하도록 모델링하고 제약을 보장하는 정책 출력을 설계합니다. UAV 기반 IIoT에서는 전송 링크 지도를 입력으로 하는 희소 특징 추출과 DRL 기반 D2D 스케줄링을 결합해 연산량을 줄입니다. 또한 IRS-assisted NOMA에서 유한 블록길이 구간의 통계적 지연 보장과 RSMA 다중접속 설계를 위해 볼록 근사 및 반복 최적화를 적용하는 점이 차별성을 이룹니다.

관련 프로젝트

4건

연구 흐름

초기 연구는 HAP-UAV 계층 구조에서 IoT의 offloading과 통신 자원을 동시 결정하는 JAPORA 문제를 다중에이전트 마코프 의사결정으로 정식화하고, 중앙학습-분산실행 기반 deep actor–critic 접근으로 해결하는 데 집중되었습니다. 이후 2022년에는 flying IRS에서 궤적과 phase shift를 함께 최적화하는 deep reinforcement learning 모델로 확장했습니다. 2023년에는 UAV가 수집한 링크 지도를 활용해 sparse CNN 특징을 만들고 D2D 스케줄링을 저복잡도로 학습하는 방향으로 발전했습니다. 2024년에는 finite blocklength를 고려한 URLLC 지연 통계 보장과 digital twin edge의 RSMA 제어 변수를 DRL과 수학적 convexification으로 설계하는 연구를 수행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

공중-지상 통합 무선접속 최적화
flying IRS 궤적 및 위상 제어
UAV 기반 D2D 스케줄링
IRS-assisted NOMA URLLC 전송제어
디지털 트윈 엣지 다중접속 설계
에너지-지연 트레이드오프 자원관리
제약조건 포함 강화학습 정책
분산 실행 기반 무선 제어
오프로딩 및 컴퓨팅 자원 배치
AI 기반 다중접속 운영 정책