Semantic Communication for Low-Cost Battery Data Transmission in IoT Environments

본 논문은 6G X-mMTC 환경의 주요 유즈케이스인 무선 BMS를 위해, 전압․전류․온도 시계열 배터리 데이터를 AutoEncoder 기반 의미 인코더․디코더를 통해 저차원 의미 심볼로 압축․복원하는 의미 기반 통신 프레임워크를 제안한다. 의미 표현 모델로 LSTM, GRU, Transformer, Inverted Transformer를 비교하고, 학습 시 채널이 없는 순수 데이터와 SNR 3–21 dB 구간 AWGN 채널을 반영한 노이즈 데이터를 함께 사용해 다양한 채널 조건을 모사한다. 실험 결과, 높은 압축률(91%)․저SNR(3 dB) 조건에서는 Inverted Transformer가 LSTM 대비 온도 특징 복원 MSE를 약 30% 이상 감소시켜 의미 표현 모델 중 가장 우수한 성능을 보였으며, 고SNR(21 dB)에서는 네 종류 모델의 MSE와 정확도(약94%)가 유사하였다. IoT의 낮은 전송 전력으로 인해 저․중 SNR 환경이 빈번한 6G 무선 BMS를 고려할 때, 이러한 결과는 시간 차원 기반 구조보다 특징 차원 관계를 활용하는 Inverted Transformer가 실제 배포 환경에서 더 적합한 의미 표현 모델임을 시사한다.