[[436738]]

前 言

隨著物聯(lián)網(wǎng)(IoT)的發(fā)展，各種無(wú)線信號(hào)(如Wi-Fi、LoRa、RFID)充斥著我們的生活和工作空間。在過(guò)去的十年中，許多復(fù)雜的無(wú)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(shì)識(shí)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(jué)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(wú)線傳感受益，從而向無(wú)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(shù)中獲益的無(wú)線傳感的發(fā)展。

上篇主要介紹深度人工智能及無(wú)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(wèn)題及挑戰(zhàn)和深度人工智能實(shí)現(xiàn)無(wú)所不在無(wú)線傳感的未來(lái)趨勢(shì)。

下篇主要介紹無(wú)線傳感系統(tǒng)(Wireless Sensing Systems，WSSs)通用工作流中的三個(gè)模塊(信號(hào)預(yù)處理、高級(jí)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(wú)線傳感系統(tǒng)的工作過(guò)程

無(wú)線傳感系統(tǒng)的工作過(guò)程主要分為三個(gè)部分：信號(hào)輸入、信號(hào)處理與建模和應(yīng)用。

1.信號(hào)輸入：無(wú)線傳感系統(tǒng)的信號(hào)輸入是從無(wú)線電中獲取的原始信號(hào)信息?？梢允墙邮招盘?hào)強(qiáng)度指示器(Received Signal Strength Indicator, RSSI)，也可以是信道狀態(tài)信息(Channel State information, CSI)。

2.信號(hào)處理與建模：信號(hào)處理與建模是無(wú)線傳感系統(tǒng)的關(guān)鍵部分，負(fù)責(zé)對(duì)輸入的信號(hào)進(jìn)行處理和模型建立，使得可以在目標(biāo)場(chǎng)景下得以應(yīng)用。該部分主要分為三個(gè)通用功能模塊：信號(hào)預(yù)處理、高級(jí)特征提取和傳感模型形成，是可用深度人工智能優(yōu)化的三個(gè)模塊，也是本文主要進(jìn)行介紹的三個(gè)模塊。

3.應(yīng)用：應(yīng)用是無(wú)線傳感系統(tǒng)工作過(guò)程的最后一步，也是最終的目標(biāo)。通過(guò)上述兩個(gè)過(guò)程對(duì)信號(hào)進(jìn)行接收、處理和分析，完成在目標(biāo)場(chǎng)景下預(yù)期的功能和目標(biāo)。

無(wú)線傳感系統(tǒng)的工作過(guò)程如圖1所示。

圖1 無(wú)線傳感系統(tǒng)的工作過(guò)程

信號(hào)預(yù)處理

無(wú)線傳感系統(tǒng)在接收原始信號(hào)輸入后，需要對(duì)信號(hào)進(jìn)行相應(yīng)的處理，進(jìn)而獲得其中關(guān)注的數(shù)據(jù)，因無(wú)線環(huán)境的復(fù)雜、異構(gòu)和演化，一般采用降噪和數(shù)據(jù)自適應(yīng)的方法進(jìn)行特征提取。

降噪方面，Widar3.0首先通過(guò)CSI測(cè)量得到體坐標(biāo)速度剖面(BVP)，BVP與諸如收發(fā)器的部署或表演者的方向等領(lǐng)域無(wú)關(guān)，是一個(gè)與領(lǐng)域無(wú)關(guān)的物理特征。其次通過(guò)集成基于cnn的GRU模型進(jìn)一步增強(qiáng)了特定領(lǐng)域的降噪效果，并在直接應(yīng)用于新領(lǐng)域時(shí)取得了相當(dāng)優(yōu)良的性能。重要的是，它表明了將信號(hào)處理與DL技術(shù)結(jié)合以降低噪聲的潛力。隨后，WiPose使用3D BVP去除與姿態(tài)無(wú)關(guān)的噪聲，使用了7層CNN-LSTM模型進(jìn)行增強(qiáng)。

傳統(tǒng)降噪的基本思想是利用預(yù)先測(cè)量的干擾進(jìn)行校準(zhǔn)計(jì)算，其性能取決于干擾測(cè)量的粒度和適應(yīng)性。而從DL技術(shù)的角度來(lái)看，它可以區(qū)分感興趣的信號(hào)和噪聲，如硬件異質(zhì)性和背景干擾引起的相位偏移，閃光效應(yīng)和遠(yuǎn)近問(wèn)題引起的無(wú)關(guān)反射路徑，以及非平坦頻率響應(yīng)。

數(shù)據(jù)自適應(yīng)方面，DFAR采用學(xué)習(xí)具有鑒別性的深度特征的思想，實(shí)現(xiàn)了一種在跨場(chǎng)景條件下轉(zhuǎn)移特征的最大最小對(duì)抗方法，然后通過(guò)mmWave為跨場(chǎng)景活動(dòng)識(shí)別定制多層CNN，減輕新環(huán)境中特征轉(zhuǎn)移引起的退化。DFGR針對(duì)Wi-Fi的域相關(guān)CSI，設(shè)計(jì)了深度特征提取和深度相似度評(píng)價(jià)網(wǎng)絡(luò)，評(píng)估了訓(xùn)練集到新測(cè)試條件的可轉(zhuǎn)移相似性。CrossSense通過(guò)設(shè)計(jì)一個(gè)7層前饋ANN漫游模型，采用遷移學(xué)習(xí)技術(shù)去除不相關(guān)的成分在擴(kuò)展到跨場(chǎng)景條件的同時(shí)進(jìn)一步減少訓(xùn)練的工作量。此外，EI和RF-Sleep將對(duì)抗架構(gòu)集成到特征提取器中，該特征提取器可以通過(guò)為生成器和鑒別器專門設(shè)計(jì)的損失函數(shù)作為懲罰來(lái)學(xué)習(xí)環(huán)境無(wú)關(guān)的組件。

傳統(tǒng)數(shù)據(jù)自適應(yīng)的基本思想，一方面，利用壓縮算法去除冗余部分，提高計(jì)算效率;另一方面，可以利用合成算法獲取多維信息，使其對(duì)細(xì)粒度的感知變量更敏感。而對(duì)比上述基于DL的數(shù)據(jù)自適應(yīng)，做到了更好的信號(hào)不相關(guān)成分的去除，更好的特征感知，甚至于跨場(chǎng)景的特征轉(zhuǎn)移。

高級(jí)特征提取

接收來(lái)自信號(hào)預(yù)處理模塊經(jīng)過(guò)處理的信號(hào)，下一步便是為進(jìn)一步的模型建立提取特征。

DL技術(shù)由于其高學(xué)習(xí)能力，被廣泛應(yīng)用于特征提取。現(xiàn)有的多個(gè)基于卷積的網(wǎng)絡(luò)用于空間分析，包括MLP、CNN和一些衍生網(wǎng)絡(luò)，如編碼器-解碼器網(wǎng)絡(luò)。實(shí)驗(yàn)表明，采用簡(jiǎn)單的MLP對(duì)處理后的無(wú)線信號(hào)進(jìn)行極化提取，MLP優(yōu)于傳統(tǒng)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(shù)共享、輸入自適應(yīng)和等效表示的設(shè)計(jì)，具有強(qiáng)大的空間特征自動(dòng)優(yōu)化能力。因此，WSSs結(jié)合CNN進(jìn)行更細(xì)粒度的空間特征提取。例如， SignFi進(jìn)一步使用9層CNN從CSI測(cè)量的幅度和相位獲取空間相關(guān)性，以識(shí)別276個(gè)手勢(shì)。Shi等在傳統(tǒng)的SVM欺騙方案下，結(jié)合CNN從日?；顒?dòng)中提取9個(gè)人工設(shè)計(jì)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(dú)特的空間特征，用于11個(gè)用戶的身份驗(yàn)證。我們可以看到，DL網(wǎng)絡(luò)的使用可以減輕WSSs手工特征設(shè)計(jì)和進(jìn)一步自舉應(yīng)用的繁瑣工作

DL技術(shù)也可以用于捕獲時(shí)序信號(hào)的時(shí)間快照，如RNN、LSTM和GRU?？紤]到二維AoA-ToF剖面的噪聲，RTrack設(shè)計(jì)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(xiàn)誤差的2D距離剖面映射到一個(gè)細(xì)粒度的目標(biāo)反射面。其原理是RNN可以利用連續(xù)二維剖面之間的時(shí)間結(jié)構(gòu)，糾正噪聲、多路徑和移動(dòng)性問(wèn)題的影響。大多數(shù)WSSs將時(shí)間快照與空間優(yōu)勢(shì)結(jié)合起來(lái)，協(xié)同估計(jì)距離和方向。它也適用于神經(jīng)網(wǎng)絡(luò)，如Widar3.0設(shè)計(jì)的基于CNN的GRU網(wǎng)絡(luò)，用于提取空間和時(shí)間特征。

為了有效地提取物理特征，可以利用對(duì)抗結(jié)構(gòu)，如GAN來(lái)學(xué)習(xí)信號(hào)輸入和應(yīng)用輸出之間的隱藏連接。例如，RF-Sleep利用條件對(duì)抗架構(gòu)來(lái)區(qū)分假樣本和地面真實(shí)，繪制CNN-RNN特征提取器來(lái)學(xué)習(xí)用于睡眠階段檢測(cè)的最優(yōu)特征。EI采用GAN模型從CNN特征提取器中去除不相關(guān)的組件，降低了跨域場(chǎng)景的部署成本。將GAN集成到WSSs是一個(gè)很有前途的方向，GAN在計(jì)算機(jī)視覺(jué)領(lǐng)域的快速發(fā)展，如Pix2pix GAN和Cycle-GAN，激勵(lì)我們?cè)谖磥?lái)的工作中挖掘GAN和WSSs的潛在結(jié)合。

傳感模型建立

經(jīng)過(guò)上述的特征提取，剩下的挑戰(zhàn)就是制定一個(gè)模型，將原始信號(hào)的輸入與最終應(yīng)用的輸出連接起來(lái)。這里要介紹的模型建立方法有傳統(tǒng)的模型建立的方法：基于幾何的建模、基于統(tǒng)計(jì)的建模及基于機(jī)器學(xué)習(xí)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(gè)幾何模型是將給定提取的特征用于距離和方向估計(jì)，利用三角形的幾何性質(zhì)可以用來(lái)估計(jì)發(fā)射信號(hào)的直接(最短)路徑的位置、覆蓋三邊測(cè)量和三角測(cè)量。另一個(gè)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(qiáng)度增強(qiáng)和減弱交替的同心橢球區(qū)域。它是由運(yùn)動(dòng)目標(biāo)引起的反射路徑的相位變化引起的，從而導(dǎo)致波疊加相位的相干和相干干涉。

基于統(tǒng)計(jì)的建模。統(tǒng)計(jì)模型制定了從輸入到輸出的映射，以進(jìn)行數(shù)值優(yōu)化，這依賴于經(jīng)驗(yàn)測(cè)量或概率函數(shù)來(lái)描述無(wú)線信道。例如，為了獲得用于感知任務(wù)的多維和互補(bǔ)信息，一個(gè)直觀的想法是提取多個(gè)特征，以提供額外的抗噪聲能力，包括空間優(yōu)勢(shì)、時(shí)間快照和物理特征。因此，可以利用聯(lián)合多參數(shù)估計(jì)來(lái)整合各種特征并得出最終結(jié)果。

基于機(jī)器學(xué)習(xí)(ML)的建模。機(jī)器學(xué)習(xí)或基于淺層學(xué)習(xí)的模型經(jīng)常被用來(lái)尋找應(yīng)用輸出的輸入來(lái)源的邊界。使用ML進(jìn)行模型構(gòu)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(jī)森林、決策樹(shù)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(tǒng)的建模方法相比，DL模型可以更有效地將原始信號(hào)輸入與最終應(yīng)用的輸出連接起來(lái)，特別是對(duì)于高度細(xì)粒度的感知任務(wù)，如骨骼恢復(fù)、多人活動(dòng)識(shí)別和人體網(wǎng)格重建。多種DL技術(shù)可以從其他領(lǐng)域轉(zhuǎn)移，如圖像翻譯，多任務(wù)學(xué)習(xí)，遷移學(xué)習(xí)。將其他領(lǐng)域中較為成熟的模型轉(zhuǎn)移至目標(biāo)領(lǐng)域，在保持其原有的優(yōu)越性基礎(chǔ)上，進(jìn)一步訓(xùn)練，達(dá)到一個(gè)較好的效果。

 小 結(jié)

人工智能技術(shù)已越來(lái)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。上篇中，介紹了深度人工智能及無(wú)線傳感的背景，通過(guò)現(xiàn)有的相關(guān)調(diào)查，了解了現(xiàn)有研究在DL和無(wú)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(wèn)題及挑戰(zhàn)，最后討論了深度人工智能實(shí)現(xiàn)無(wú)所不在無(wú)線傳感的未來(lái)趨勢(shì)。本篇為下篇，主要結(jié)合了WSSs工作過(guò)程，分別從信號(hào)預(yù)處理、高級(jí)特征提取和傳感模型形成等方面介紹了現(xiàn)有的基于深度人工智能的技術(shù)與一些傳統(tǒng)的方法。

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.