무선 시스템을 학습시키려면 장소와 거리, 장애물마다 신호를 직접 모아야 합니다. 2026년 9월 5일 공개된 연구는 이 부담을 줄이기 위해 거리와 환경 조건을 입력으로 받아 무선 파형을 합성하는 IIns-GAN을 제안했습니다.
공개 UWB 데이터를 사용한 작은 실험에서 실제 데이터로 학습한 거리 추정의 MSE·MAE는 0.17·0.11, 합성 데이터를 10배 늘린 조건에서는 0.14·0.09였습니다. 환경 식별도 실제 0.74·0.67에서 합성 10배 조건 0.75·0.74로 나타났습니다. 다만 이는 장난감 CNN과 제한된 데이터 조건의 결과입니다.
전파를 숫자가 아닌 환경과 함께 만든다
신호는 송신기와 수신기의 거리만으로 결정되지 않습니다. 실내인지 실외인지, 시야가 트였는지 막혔는지, 벽과 반사체가 어디에 있는지에 따라 파형의 물리적 특징이 달라집니다. IIns-GAN은 거리와 환경 라벨을 함께 받아 신호와 관련 특징을 만들도록 설계됐습니다.
이 구조가 유용한 이유는 “그럴듯한 잡음”을 만드는 데 있지 않습니다. 학습에 필요한 거리·환경 조합을 제어해 데이터가 부족한 조건을 채우는 데 있습니다. 실제 측정이 기준이고, 합성 신호는 그 기준을 보완하는 역할입니다.
합성 데이터가 학습량을 늘렸다
연구는 실제 데이터와 합성 데이터를 비교해 작은 CNN의 거리 추정과 환경 식별을 시험했습니다. 합성 신호를 10배로 늘린 조건에서 거리 추정의 MSE는 0.17에서 0.14, MAE는 0.11에서 0.09로 내려갔습니다.
이 숫자는 합성 데이터가 항상 실제 데이터보다 낫다는 뜻은 아닙니다. 같은 공개 UWB 자료와 특정 생성·분류 구조에서, 학습량을 늘렸을 때 평가 지표가 좋아졌다는 뜻입니다. 새로운 장소나 다른 안테나에서 같은 결과가 나오는지는 별도 문제입니다.
거리와 환경은 같은 시험이 아니다
거리 추정은 연속적인 값을 맞히는 문제이고, 환경 식별은 조건을 분류하는 문제입니다. 하나의 합성 모델이 두 과제에 도움을 주더라도 필요한 검증 기준은 다릅니다. 거리 오차가 작아도 실내·실외를 잘못 분류할 수 있고, 환경 분류가 맞아도 위치 추정이 흔들릴 수 있습니다.
따라서 무선 데이터 합성은 평균 지표 하나로 평가하기 어렵습니다. 거리 구간, 시야 조건, 실내 구조, 장비가 달라졌을 때 오차가 어떻게 변하는지 함께 공개해야 실제 설계에 쓸 수 있습니다.
실제 전파를 대체하는 단계는 아니다
IIns-GAN의 결과는 측정 데이터를 없애자는 제안이 아닙니다. 합성 파형은 실제 신호가 가진 예외와 장비 편차를 모두 재현하지 못할 수 있습니다. 생성 모델이 학습한 분포 밖의 장애물이나 간섭이 생기면 정확도가 갑자기 떨어질 수 있습니다.
그래도 무선 AI의 개발 방식은 달라질 수 있습니다. 먼저 실제 데이터를 기준선으로 모으고, 그다음 부족한 거리·환경 조합을 합성해 실험하며, 마지막에는 새로운 현장에서 다시 측정하는 순서입니다. 데이터를 덜 모으는 기술의 가치는 수집을 없애는 데 아니라, 어떤 측정을 추가로 해야 하는지 더 똑똑하게 고르는 데 있습니다.