[[436738]]

前 言

隨著物聯網(IoT)的發展，各種無線信號(如Wi-Fi、LoRa、RFID)充斥著我們的生活和工作空間。在過去的十年中，許多復雜的無線傳感技術和系統被廣泛研究用于各種應用(如手勢識別、定位、物體成像)。最近，深度人工智能(AI)，也被稱為深度學習(DL)，在計算機視覺方面顯示了巨大的成功。一些研究已經初步證明，深度人工智能也可以使無線傳感受益，從而向無所不在的傳感方向邁出了全新的一步[1]。

本文分為上下兩篇，為讀者介紹從深度人工智能技術中獲益的無線傳感的發展。

上篇主要介紹深度人工智能及無線傳感的背景、現有的相關調查、二者結合引發的問題及挑戰和深度人工智能實現無所不在無線傳感的未來趨勢。

下篇主要介紹無線傳感系統(Wireless Sensing Systems，WSSs)通用工作流中的三個模塊(信號預處理、高級特征提取和傳感模型形成)現有的基于深度人工智能的技術，并與傳統的方法進行進一步的比較。本文內容主要參考了文獻[1]。

無線傳感系統的工作過程

無線傳感系統的工作過程主要分為三個部分：信號輸入、信號處理與建模和應用。

1.信號輸入：無線傳感系統的信號輸入是從無線電中獲取的原始信號信息。可以是接收信號強度指示器(Received Signal Strength Indicator, RSSI)，也可以是信道狀態信息(Channel State information, CSI)。

2.信號處理與建模：信號處理與建模是無線傳感系統的關鍵部分，負責對輸入的信號進行處理和模型建立，使得可以在目標場景下得以應用。該部分主要分為三個通用功能模塊：信號預處理、高級特征提取和傳感模型形成，是可用深度人工智能優化的三個模塊，也是本文主要進行介紹的三個模塊。

3.應用：應用是無線傳感系統工作過程的最后一步，也是最終的目標。通過上述兩個過程對信號進行接收、處理和分析，完成在目標場景下預期的功能和目標。

無線傳感系統的工作過程如圖1所示。

圖1 無線傳感系統的工作過程

信號預處理

無線傳感系統在接收原始信號輸入后，需要對信號進行相應的處理，進而獲得其中關注的數據，因無線環境的復雜、異構和演化，一般采用降噪和數據自適應的方法進行特征提取。

降噪方面，Widar3.0首先通過CSI測量得到體坐標速度剖面(BVP)，BVP與諸如收發器的部署或表演者的方向等領域無關，是一個與領域無關的物理特征。其次通過集成基于cnn的GRU模型進一步增強了特定領域的降噪效果，并在直接應用于新領域時取得了相當優良的性能。重要的是，它表明了將信號處理與DL技術結合以降低噪聲的潛力。隨后，WiPose使用3D BVP去除與姿態無關的噪聲，使用了7層CNN-LSTM模型進行增強。

傳統降噪的基本思想是利用預先測量的干擾進行校準計算，其性能取決于干擾測量的粒度和適應性。而從DL技術的角度來看，它可以區分感興趣的信號和噪聲，如硬件異質性和背景干擾引起的相位偏移，閃光效應和遠近問題引起的無關反射路徑，以及非平坦頻率響應。

數據自適應方面，DFAR采用學習具有鑒別性的深度特征的思想，實現了一種在跨場景條件下轉移特征的最大最小對抗方法，然后通過mmWave為跨場景活動識別定制多層CNN，減輕新環境中特征轉移引起的退化。DFGR針對Wi-Fi的域相關CSI，設計了深度特征提取和深度相似度評價網絡，評估了訓練集到新測試條件的可轉移相似性。CrossSense通過設計一個7層前饋ANN漫游模型，采用遷移學習技術去除不相關的成分在擴展到跨場景條件的同時進一步減少訓練的工作量。此外，EI和RF-Sleep將對抗架構集成到特征提取器中，該特征提取器可以通過為生成器和鑒別器專門設計的損失函數作為懲罰來學習環境無關的組件。

傳統數據自適應的基本思想，一方面，利用壓縮算法去除冗余部分，提高計算效率;另一方面，可以利用合成算法獲取多維信息，使其對細粒度的感知變量更敏感。而對比上述基于DL的數據自適應，做到了更好的信號不相關成分的去除，更好的特征感知，甚至于跨場景的特征轉移。

高級特征提取

接收來自信號預處理模塊經過處理的信號，下一步便是為進一步的模型建立提取特征。

DL技術由于其高學習能力，被廣泛應用于特征提取。現有的多個基于卷積的網絡用于空間分析，包括MLP、CNN和一些衍生網絡，如編碼器-解碼器網絡。實驗表明，采用簡單的MLP對處理后的無線信號進行極化提取，MLP優于傳統的基于ML的特征提取方法，如REF-SVM、k-NN和Na?ve Bayes。CNN基于局部連通性、參數共享、輸入自適應和等效表示的設計，具有強大的空間特征自動優化能力。因此，WSSs結合CNN進行更細粒度的空間特征提取。例如， SignFi進一步使用9層CNN從CSI測量的幅度和相位獲取空間相關性，以識別276個手勢。Shi等在傳統的SVM欺騙方案下，結合CNN從日常活動中提取9個人工設計的生理特征(如體形、身高、體重)和行為特征(如行走模式)，繪制出獨特的空間特征，用于11個用戶的身份驗證。我們可以看到，DL網絡的使用可以減輕WSSs手工特征設計和進一步自舉應用的繁瑣工作

DL技術也可以用于捕獲時序信號的時間快照，如RNN、LSTM和GRU。考慮到二維AoA-ToF剖面的噪聲，RTrack設計了一種RNN，即使在低信噪比的情況下，也可以將二維MUSIC得到的易出現誤差的2D距離剖面映射到一個細粒度的目標反射面。其原理是RNN可以利用連續二維剖面之間的時間結構，糾正噪聲、多路徑和移動性問題的影響。大多數WSSs將時間快照與空間優勢結合起來，協同估計距離和方向。它也適用于神經網絡，如Widar3.0設計的基于CNN的GRU網絡，用于提取空間和時間特征。

為了有效地提取物理特征，可以利用對抗結構，如GAN來學習信號輸入和應用輸出之間的隱藏連接。例如，RF-Sleep利用條件對抗架構來區分假樣本和地面真實，繪制CNN-RNN特征提取器來學習用于睡眠階段檢測的最優特征。EI采用GAN模型從CNN特征提取器中去除不相關的組件，降低了跨域場景的部署成本。將GAN集成到WSSs是一個很有前途的方向，GAN在計算機視覺領域的快速發展，如Pix2pix GAN和Cycle-GAN，激勵我們在未來的工作中挖掘GAN和WSSs的潛在結合。

傳感模型建立

經過上述的特征提取，剩下的挑戰就是制定一個模型，將原始信號的輸入與最終應用的輸出連接起來。這里要介紹的模型建立方法有傳統的模型建立的方法：基于幾何的建模、基于統計的建模及基于機器學習的建模和本文提到的基于深度人工智能的建模。如圖2所示。

圖2 傳感模型的建立方法

基于幾何的建模。一個幾何模型是將給定提取的特征用于距離和方向估計，利用三角形的幾何性質可以用來估計發射信號的直接(最短)路徑的位置、覆蓋三邊測量和三角測量。另一個幾何模型是用于定位和跟蹤的菲涅耳帶模型，菲涅耳帶模型表示了一系列波浪疊加強度增強和減弱交替的同心橢球區域。它是由運動目標引起的反射路徑的相位變化引起的，從而導致波疊加相位的相干和相干干涉。

基于統計的建模。統計模型制定了從輸入到輸出的映射，以進行數值優化，這依賴于經驗測量或概率函數來描述無線信道。例如，為了獲得用于感知任務的多維和互補信息，一個直觀的想法是提取多個特征，以提供額外的抗噪聲能力，包括空間優勢、時間快照和物理特征。因此，可以利用聯合多參數估計來整合各種特征并得出最終結果。

基于機器學習(ML)的建模。機器學習或基于淺層學習的模型經常被用來尋找應用輸出的輸入來源的邊界。使用ML進行模型構建，常用模型有k近鄰、SVM和自組織映射、隱馬爾可夫模型、隨機森林、決策樹和樸素貝葉斯等。

基于深度人工智能的建模。與上述三種傳統的建模方法相比，DL模型可以更有效地將原始信號輸入與最終應用的輸出連接起來，特別是對于高度細粒度的感知任務，如骨骼恢復、多人活動識別和人體網格重建。多種DL技術可以從其他領域轉移，如圖像翻譯，多任務學習，遷移學習。將其他領域中較為成熟的模型轉移至目標領域，在保持其原有的優越性基礎上，進一步訓練，達到一個較好的效果。

 小 結

人工智能技術已越來越多地應用于多個領域，并顯示出巨大的應用潛力，使其在面向泛在感知的WSSs中不可或缺。上篇中，介紹了深度人工智能及無線傳感的背景，通過現有的相關調查，了解了現有研究在DL和無線傳感方面的貢獻及二者結合的可行性。闡述了二者結合引發的問題及挑戰，最后討論了深度人工智能實現無所不在無線傳感的未來趨勢。本篇為下篇，主要結合了WSSs工作過程，分別從信號預處理、高級特征提取和傳感模型形成等方面介紹了現有的基于深度人工智能的技術與一些傳統的方法。

參考文獻

[1] Li C, Cao Z, Liu Y. Deep AI Enabled Ubiquitous Wireless Sensing: A Survey[J]. ACM Computing Surveys (CSUR), 2021, 54(2): 1-35.