대규모 멀티모달 모델 기반 환경 인식 이동성 관리
Large Multimodal Model-Based Environment-Aware Mobility Management
최근, 대규모 언어 모델(LLM)은 탁월한 적응력과 추론 능력 덕분에 무선 통신, 로보틱스, 자율주행 차량을 포함한 다양한 분야에서 성공적으로 활용되고 있다. 이러한 큰 잠재력에도 불구하고, 이동성 관리에 LLM을 적용하는 연구는 상대적으로 드문데, 이는 무선 측정값 분석뿐만 아니라 동적 사용자 궤적 예측 및 조밀하게 배치된 소형 기지국(SBS) 간 실시간 핸드오버 결정이 요구되기 때문이다. 본 논문에서는 LLM의 기능을 멀티모달 센싱 데이터 처리로 확장한 대규모 멀티모달 모델(LMM)을 기반으로 하는 환경 인식 이동성 관리 기법을 제안한다. LMM을 활용하여, 제안된 기법은 RGB-D 이미지로부터 주변 환경에 대한 맥락 정보를 추출함으로써 사용자 장치(UE)의 이동 패턴을 파악하고, 정적 반사체 및 동적 장애물로 인한 신호 반사 및 차단을 식별한다. 추출된 환경 정보를 바탕으로, 제안된 기법은 UE 및 SBS 위치로부터 채널 용량으로의 내재적 매핑을 학습하며, 이를 채널 용량 맵(CCM)이라 하고, 이로부터 UE 궤적을 따른 미래 채널 용량을 예측한다. 예측된 채널 용량에 기반하여 누적 채널 용량을 최대화하는 선제적 핸드오버 결정을 수행한다. 시뮬레이션 결과는 제안된 기법이 기존의 심층 학습(DL) 기반 접근법 대비 상당한 채널 용량 향상을 달성함을 보여준다.