연구실의 핵심 주제 중 하나는 차세대 무선통신 환경에서 대규모 안테나 자원과 지능형 표면을 활용하여 통신 성능을 극대화하는 기술이다. 특히 Large Intelligent Surface(LIS)는 건물 외벽이나 인공 구조물의 넓은 표면 전체를 송수신 자원으로 활용하는 새로운 통신 패러다임으로, 기존 massive MIMO를 넘어서는 고신뢰·고효율 무선 링크를 구현할 수 있다는 점에서 중요한 연구 대상으로 다루어진다. 이 연구는 5G를 넘어 6G 시대의 초연결·초고신뢰 통신 인프라를 구성하는 기반 기술로서 의미를 가진다. 연구실은 실제 무선 환경을 반영한 성능 해석에 강점을 보이며, Rician 페이딩, 채널 추정 오차, 하드웨어 비이상성, 파일럿 오염, 다중 사용자 간섭과 같은 현실적 제약을 포함한 시스템 모델을 분석한다. 이를 통해 uplink 데이터율, 스펙트럼 효율, 채널 하드닝 효과, 사용자 수와 파일럿 길이의 최적화 문제 등을 이론적으로 규명하고, 대규모 안테나 수 증가 시 어떤 요소가 지배적인 성능 한계로 작용하는지 밝혀낸다. 단순한 개념 제안에 머물지 않고, 실제 배치와 운용 관점에서 의미 있는 설계 지침을 제공하는 점이 특징이다. 이러한 연구는 향후 스마트 캠퍼스, 스마트 팩토리, 초밀집 실내 네트워크, 자율이동체 통신과 같은 응용 분야에서 매우 높은 파급력을 가진다. 넓은 표면을 통신 인프라로 활용하면 공간 활용도를 높이면서도 안정적인 LOS 기반 링크를 확보할 수 있어, 고속 데이터 전송과 높은 신뢰성을 동시에 달성할 수 있다. 연구실은 이 분야에서 이론적 분석과 시스템 최적화를 결합하여 차세대 무선 네트워크의 구조 자체를 재정의하는 방향의 연구를 수행하고 있다.

연구실은 무선통신 시스템의 복잡한 신호처리 문제를 해결하기 위해 인공지능, 특히 딥러닝 기반 방법론을 적극적으로 도입하고 있다. 대표적으로 massive MIMO 환경에서 채널 상태 정보(CSI) 피드백 문제는 시스템 성능을 좌우하는 핵심 요소인데, 연구실은 딥 오토인코더를 활용하여 피드백 오류와 지연이 존재하는 현실적 조건에서도 정확한 CSI 복원과 효율적인 압축 표현이 가능하도록 하는 연구를 수행해 왔다. 이는 데이터 기반 학습과 통신 시스템 모델링을 결합한 융합형 연구라 할 수 있다. 이 연구의 중요한 특징은 단순히 딥러닝 모델을 적용하는 수준을 넘어서, 실제 통신 절차를 신경망 구조에 반영한다는 점이다. 즉 FDD massive MIMO 시스템에서 발생하는 전송 오류, 지연된 채널 관측, 피드백 링크의 불완전성 등을 학습 과정에 포함시켜, 이상적 실험 조건이 아니라 실제 운용 환경에서 견고하게 동작하는 모델을 설계한다. 이러한 접근은 전통적인 코드북 기반 방법이나 수작업 특징 설계 방식에 비해 적응성과 복원 성능 측면에서 강점을 가지며, 통신 시스템의 지능화 가능성을 보여준다. 향후 이 연구는 6G 지능형 무선망, 적응형 링크 제어, 자율 네트워크 최적화, 통신-센싱 융합 시스템으로 확장될 수 있다. 채널 추정, 피드백, 사용자 스케줄링, 간섭 관리와 같은 문제를 AI 기반으로 통합 최적화할 경우 네트워크 운용 효율이 크게 향상될 수 있기 때문이다. 연구실은 통신신호처리와 인공지능을 결합하여, 데이터에 의해 스스로 환경을 이해하고 대응하는 차세대 지능형 통신 시스템의 기반 기술을 개발하고 있다.

연구실은 무선통신 분야를 넘어 레이더와 통신이 공존하는 복합 전파 환경에서 신호를 인식하고 분류하는 기술도 중요한 연구 축으로 다루고 있다. 최근 스펙트럼 자원이 빠르게 혼잡해지면서 레이더와 통신 시스템의 상호 간섭 문제, 비협력 신호 식별 문제, 다양한 전파원의 동시 존재 상황을 정확히 해석하는 기술이 중요해지고 있다. 이에 따라 연구실은 파형 분류, 파형 인식, 다중경로 페이딩 환경에서의 신호 특성 추출 등 지능형 전파 인지 기술을 연구한다. 이 분야에서 연구실은 오토인코더, 합성곱신경망(CNN), Fourier 기반 Synchrosqueezing Transform과 같은 신호표현 및 학습 기법을 활용한다. 시간-주파수 영역에서 파형의 구조를 정교하게 표현한 뒤, 이를 딥러닝 모델이 학습하도록 함으로써 다중경로와 잡음이 존재하는 상황에서도 높은 인식 성능을 달성하는 접근을 취한다. 이는 단순 스펙트럼 분석이나 규칙 기반 분류보다 훨씬 복잡한 환경 적응성을 제공하며, 실제 레이더-통신 공존 시나리오에 적합한 기술로 평가할 수 있다. 이 연구는 전자전, 감시정찰, 자율주행 센싱, 스마트 국방, 차세대 스펙트럼 관리 등 폭넓은 응용 가능성을 가진다. 특히 미래 무선 환경에서는 통신과 센싱 기능의 경계가 점차 흐려지고 있기 때문에, 서로 다른 신호를 정확히 구별하고 이해하는 능력은 핵심 경쟁력이 된다. 연구실은 AI 기반 신호인지 기술을 통해 복합 전파 환경을 해석하고, 더욱 안전하고 효율적인 무선 시스템 운용을 가능하게 하는 방향으로 연구를 확장하고 있다.