[[435758]]

前言

隨著物聯(lián)網(wǎng)(IoT)的發(fā)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(fù)雜的無線傳感技術(shù)和系統(tǒng)被廣泛研究用于各種應(yīng)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(xué)習(xí)(DL)，在計(jì)算機(jī)視覺方面顯示了巨大的成功。一些研究已經(jīng)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]。

本文將分為上下兩篇，為讀者介紹從深度人工智能技術(shù)中獲益的無線傳感的發(fā)展。

上篇主要介紹深度人工智能及無線傳感的背景、現(xiàn)有的相關(guān)調(diào)查、二者結(jié)合引發(fā)的問題及挑戰(zhàn)和深度人工智能實(shí)現(xiàn)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(tǒng)(Wireless Sensing Systems，WSSs)通用工作流中的三個(gè)模塊(信號預(yù)處理、高級特征提取和傳感模型形成)現(xiàn)有的基于深度人工智能的技術(shù)，并與傳統(tǒng)的方法進(jìn)行進(jìn)一步的比較。本文內(nèi)容主要參考了文獻(xiàn)[1]。

無線傳感和深度人工智能的背景

隨著物聯(lián)網(wǎng)的發(fā)展，多種無線技術(shù)被用于連接不同頻譜帶寬、通信范圍、數(shù)據(jù)速率和能耗的物聯(lián)網(wǎng)設(shè)備。目前廣泛應(yīng)用和商業(yè)化的無線技術(shù)包括Wi-Fi、ZigBee、LoRa、RFID、超寬帶和藍(lán)牙等。此外，由于相機(jī)、揚(yáng)聲器和麥克風(fēng)價(jià)格低廉，且廣泛安裝在智能手機(jī)和可穿戴設(shè)備上，基于聲信號和可見光的無線通信也出現(xiàn)了。通過將不同類型的原始信號信息作為輸入，我們可以獲得不同的輸出，包括檢測、識別、識別、定位、跟蹤和成像等多種傳感目的。

常用的作為輸入的信號狀態(tài)有RSSI，CSI和chirp。高質(zhì)量的信號狀態(tài)和有效的無線系統(tǒng)是傳感的兩個(gè)關(guān)鍵因素。根據(jù)感知粒度、范圍、部署成本和系統(tǒng)魯棒性的不同，RSSI、CSI和chirp信號可用于不同的感知場景。具體來說：

RSSI比CSI更容易受到多徑效應(yīng)引起的符號間干擾的影響，而后者的時(shí)頻分析需要額外的計(jì)算資源，使得移動設(shè)備的計(jì)算復(fù)雜度較高。

chirp可以提供比CSI更細(xì)粒度的空間分辨率，例如專用的調(diào)頻連續(xù)波(Frequency Modulated Continuous Wave，F(xiàn)MCW)無線電用于無設(shè)備的人體姿態(tài)估計(jì)。

CSI可以使用低成本的商用Wi-Fi設(shè)備輕松獲得，這使得無處不在的部署更加容易。

為了從人工智能演變的角度展示無線傳感和深度人工智能的關(guān)系，我們首先說明人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的關(guān)系，如圖1所示。

圖1 無線傳感與深度人工智能

在人工智能的早期，該領(lǐng)域?qū)Ｗ⒂诳梢杂靡幌盗姓降臄?shù)學(xué)規(guī)則來描述的問題，這使得計(jì)算機(jī)相對簡單，比如識別語音或圖像中的人臉。為了將關(guān)于世界的硬編碼知識整合到計(jì)算機(jī)的形式語言中，提出了幾種基于知識的方法，包括專家系統(tǒng)、基于知識的工程和基于規(guī)則的系統(tǒng)。然而，具有硬編碼知識的系統(tǒng)所面臨的困難表明，人工智能系統(tǒng)需要通過從原始數(shù)據(jù)中提取模式來獲取自身知識的能力。這種能力被稱為機(jī)器學(xué)習(xí)(ML)，它本質(zhì)上使算法能夠基于原始數(shù)據(jù)進(jìn)行預(yù)測、分類或決策，而無需明確編程。根據(jù)框架和數(shù)據(jù)需求，我們可以將它們分為三類，包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。需要注意的是，現(xiàn)有的WSSs大多采用ML算法進(jìn)行特征提取，如有監(jiān)督學(xué)習(xí)的k-最近鄰(k-NN)、支持向量機(jī)(SVM)和無監(jiān)督學(xué)習(xí)的聚類。

考慮到無線信號潛在的大量噪聲，模式表示的能力有限，使其無法進(jìn)行更多的探索，特別是對原始數(shù)據(jù)的高級抽象特征。為此，深度學(xué)習(xí)(DL)提出了一種基于分層多層非線性處理單元的表示學(xué)習(xí)技術(shù)，即前饋神經(jīng)網(wǎng)絡(luò)(ANN)，其基本思想是將復(fù)雜的概念從簡單的和預(yù)先定義的單元操作中渲染出來。利用具有非線性激活功能的分層隱藏單元的加權(quán)組合，類似于人腦的感知過程，在當(dāng)前環(huán)境或任務(wù)下，一組特定的單元被激活，從而影響神經(jīng)網(wǎng)絡(luò)模型的輸出。現(xiàn)有的無線傳感系統(tǒng)已經(jīng)將生成對抗網(wǎng)絡(luò)用于傳感過程，如用于信號處理領(lǐng)域適應(yīng)的對抗性結(jié)構(gòu)。

現(xiàn)有相關(guān)調(diào)查

現(xiàn)有的大多數(shù)調(diào)查分別探討了無線傳感和DL技術(shù)。一方面，現(xiàn)有的貢獻(xiàn)分散在不同的傳感模式(如Wi-Fi、聲學(xué)、LoRa)和重點(diǎn)應(yīng)用(如識別、定位、健康監(jiān)測)。另一方面，現(xiàn)有的工作沒有展示從傳統(tǒng)的WSSs技術(shù)到DL技術(shù)的演變。從WSSs通用工作流的角度來看，還需要更多的比較和連接，包括信號處理、算法設(shè)計(jì)和模型推廣。

無線傳感的突破性進(jìn)展通常依靠高質(zhì)量的源輸入作為傳感介質(zhì)，如Wi-Fi、聲學(xué)、LoRa和可見光。在室內(nèi)定位領(lǐng)域著重于CSI的基本原理和研究趨勢，以Wi-Fi的CSI作為源輸入，以無設(shè)備的人類行為識別為重點(diǎn)，包括數(shù)據(jù)驅(qū)動和基于模型的Wi-Fi雷達(dá)的比較。通過關(guān)注以人為中心的應(yīng)用，強(qiáng)調(diào)新的無線電技術(shù)和未探索的波段，以便在輔助生活應(yīng)用中進(jìn)行更實(shí)際的部署。

隨著無線傳感的研究興趣日益濃厚，有研究聚焦于室內(nèi)定位，涵蓋Wi-Fi、Acoustic、RFID、UWB、Bluetooth等。有些強(qiáng)調(diào)了定位系統(tǒng)的輸入信號和工作原理的比較，有些則從設(shè)備的角度分析了基于智能手機(jī)的信號處理和數(shù)據(jù)融合技術(shù)方法，包括基于設(shè)備和無設(shè)備的WSSs。其中與本文介紹最相關(guān)的研究是檢測與識別、數(shù)值分析和圖像生成傳感任務(wù)，其中一些對基于建模和學(xué)習(xí)的Wi-Fi無線網(wǎng)絡(luò)進(jìn)行了全面的綜述，其關(guān)注了Wi-Fi的CSI工作流程和傳統(tǒng)的信號處理技術(shù)。一些提供了基于DL的移動和無線網(wǎng)絡(luò)研究的百科全書式綜述，涵蓋現(xiàn)有的DL計(jì)算框架和移動數(shù)據(jù)分析，強(qiáng)調(diào)移動網(wǎng)絡(luò)(如5G)和DL驅(qū)動的網(wǎng)絡(luò)問題。

現(xiàn)有的研究對于深度人工智能和無線傳感之間的結(jié)合較少，這種結(jié)合與現(xiàn)有的方法不同，它的范圍不限于任何特定類型的來源輸入或應(yīng)用輸出。因此結(jié)合深度人工智能方法用于無線傳感，具有較好的研究前景。

結(jié)合引發(fā)的問題及挑戰(zhàn)

DL技術(shù)證明了WSSs的潛力，但仍有幾個(gè)重要的問題和挑戰(zhàn)需要使用DL技術(shù)來解決。結(jié)合已有的研究成果及傳統(tǒng)信號處理技術(shù)與DL技術(shù)之間的協(xié)作進(jìn)行總結(jié)，包括可擴(kuò)展性&泛化、隱私&安全、魯棒性&敏感性，如圖2所示。

圖2 DL與無線傳感結(jié)合的問題與挑戰(zhàn)

1.可擴(kuò)展性和泛化

DL技術(shù)依賴于大量高質(zhì)量的數(shù)據(jù)來實(shí)現(xiàn)可伸縮和通用的性能。隨著體系結(jié)構(gòu)的日益復(fù)雜和發(fā)展，需要更大的數(shù)據(jù)量和更高的質(zhì)量，需要學(xué)習(xí)和配置更多的參數(shù)。與計(jì)算機(jī)視覺和自然語言處理等其他領(lǐng)域相比，無線傳感本身數(shù)據(jù)龐大但存在來自商業(yè)設(shè)備(如5300 Wi-Fi網(wǎng)卡，Semtech SX1276 LoRa節(jié)點(diǎn))的噪聲。傳感器和網(wǎng)絡(luò)設(shè)備收集的大多數(shù)無線數(shù)據(jù)經(jīng)常會出現(xiàn)丟失、冗余、錯(cuò)誤標(biāo)簽和類別不平衡，使得訓(xùn)練和學(xué)習(xí)過程的可擴(kuò)展性和泛化更加困難。

2.隱私和安全

在WSSs為現(xiàn)實(shí)世界提供了一種非侵入性、非突出性的傳感方法的同時(shí)，也帶來了許多隱私和安全問題，如日?；顒印⒑粑秃粑俾使烙?jì)、人體姿態(tài)估計(jì)等多種監(jiān)控應(yīng)用，甚至是隔墻監(jiān)測。如果這些感知信息被惡意的黑客和攻擊者泄露和獲取，將會對受害者造成嚴(yán)重的損害。值得注意的是，DL技術(shù)也可以用來提高無線網(wǎng)絡(luò)安全，因?yàn)樗呀?jīng)成為人工智能安全的熱門話題，它利用人工智能根據(jù)類似或以前的活動自主識別和響應(yīng)潛在的網(wǎng)絡(luò)威脅。然而，引入DL技術(shù)會加劇隱私和安全問題。例如，我們可以利用虛假信號欺騙WSSs，特別是深度神經(jīng)網(wǎng)絡(luò)。一方面，人們注意到，大多數(shù)主流的神經(jīng)網(wǎng)絡(luò)只在原始數(shù)據(jù)中加入少量的噪聲，就很容易被誤分類。另一方面，我們也可以故意偽造高層次的無線信號，比如XModal-ID生成的假冒CSI聲譜圖。

3.魯棒性和敏感性

根據(jù)感知任務(wù)的不同，可以通過調(diào)整干擾彈性和感知粒度來平衡WSSs的魯棒性和靈敏度。具體來說，目標(biāo)人可以概括為具有運(yùn)動軀干的單點(diǎn)進(jìn)行定位和跟蹤，而手勢識別和姿態(tài)估計(jì)則需要考慮身體部位和關(guān)節(jié)的運(yùn)動。并且可以選擇各種PCA分量來代表相應(yīng)的身體部位。一方面，魯棒WSSs需要犧牲空間分辨率，使得對干擾和噪聲具有非凡的恢復(fù)能力，如LoRa的CSS對多徑效應(yīng)的恢復(fù)能力。另一方面，敏感WSSs采用細(xì)粒度CSI和FMCW進(jìn)行精確傳感，同時(shí)依靠專門設(shè)計(jì)的降噪程序，如成像和多人定位和跟蹤。為了實(shí)現(xiàn)特定傳感任務(wù)的平衡性能，需要一個(gè)綜合的系統(tǒng)來適應(yīng)傳感系統(tǒng)的魯棒性和靈敏度。從概念上講，可以在干擾彈性和感知粒度之間進(jìn)行優(yōu)化。

未來趨勢

上述問題和挑戰(zhàn)為人工智能無線傳感提供了有前景的研究課題，將引導(dǎo)深度人工智能支持無處不在的無線傳感的跨模態(tài)感知、跨領(lǐng)域感知和跨框架感知 。其中，跨模態(tài)感知(cross-modality sensing)增強(qiáng)了對多種輸入信號的信號預(yù)處理，跨領(lǐng)域感知(Cross-field Sensing)融合了其他領(lǐng)域的知識進(jìn)行高級特征提取，跨框架感知(Cross-framework Sensing)依賴于定義良好的深度人工智能框架，從視覺或音頻處理轉(zhuǎn)換來優(yōu)化感知模態(tài)公式。

小 結(jié)

人工智能技術(shù)已越來越多地應(yīng)用于多個(gè)領(lǐng)域，并顯示出巨大的應(yīng)用潛力，使其在面向泛在感知的WSSs中不可或缺。在本文中，主要介紹了深度人工智能及無線傳感的背景，通過現(xiàn)有的相關(guān)調(diào)查，了解了現(xiàn)有研究在DL和無線傳感方面的貢獻(xiàn)及二者結(jié)合的可行性。闡述了二者結(jié)合引發(fā)的問題及挑戰(zhàn)，最后討論了深度人工智能實(shí)現(xiàn)無所不在無線傳感的未來趨勢。在下篇，將主要結(jié)合WSSs一般處理的綜合工作流，分別從信號預(yù)處理、高級特征提取和傳感模型形成等方面對現(xiàn)有的研究和人工智能方法進(jìn)行總結(jié)和比較。

參考文獻(xiàn) 

[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.