[[435758]]

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]。

本文將分為上下兩篇，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]。

無線傳感和深度人工智能的背景

隨著物聯網的發展，多種無線技術被用于連接不同頻譜帶寬、通信范圍、數據速率和能耗的物聯網設備。目前廣泛應用和商業化的無線技術包括Wi-Fi、ZigBee、LoRa、RFID、超寬帶和藍牙等。此外，由于相機、揚聲器和麥克風價格低廉，且廣泛安裝在智能手機和可穿戴設備上，基于聲信號和可見光的無線通信也出現了。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有RSSI，CSI和chirp。高質量的信號狀態和有效的無線系統是傳感的兩個關鍵因素。根據感知粒度、范圍、部署成本和系統魯棒性的不同，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引起的符號間干擾的影響，而后者的時頻分析需要額外的計算資源，使得移動設備的計算復雜度較高。

chirp可以提供比CSI更細粒度的空間分辨率，例如專用的調頻連續波(Frequency Modulated Continuous Wave，FMCW)無線電用于無設備的人體姿態估計。

CSI可以使用低成本的商用Wi-Fi設備輕松獲得，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系，我們首先說明人工智能、機器學習和深度學習之間的關系，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，該領域專注于可以用一系列正式的數學規則來描述的問題，這使得計算機相對簡單，比如識別語音或圖像中的人臉。為了將關于世界的硬編碼知識整合到計算機的形式語言中，提出了幾種基于知識的方法，包括專家系統、基于知識的工程和基于規則的系統。然而，具有硬編碼知識的系統所面臨的困難表明，人工智能系統需要通過從原始數據中提取模式來獲取自身知識的能力。這種能力被稱為機器學習(ML)，它本質上使算法能夠基于原始數據進行預測、分類或決策，而無需明確編程。根據框架和數據需求，我們可以將它們分為三類，包括監督學習、非監督學習和強化學習。需要注意的是，現有的WSSs大多采用ML算法進行特征提取，如有監督學習的k-最近鄰(k-NN)、支持向量機(SVM)和無監督學習的聚類。

考慮到無線信號潛在的大量噪聲，模式表示的能力有限，使其無法進行更多的探索，特別是對原始數據的高級抽象特征。為此，深度學習(DL)提出了一種基于分層多層非線性處理單元的表示學習技術，即前饋神經網絡(ANN)，其基本思想是將復雜的概念從簡單的和預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組合，類似于人腦的感知過程，在當前環境或任務下，一組特定的單元被激活，從而影響神經網絡模型的輸出。現有的無線傳感系統已經將生成對抗網絡用于傳感過程，如用于信號處理領域適應的對抗性結構。

現有相關調查

現有的大多數調查分別探討了無線傳感和DL技術。一方面，現有的貢獻分散在不同的傳感模式(如Wi-Fi、聲學、LoRa)和重點應用(如識別、定位、健康監測)。另一方面，現有的工作沒有展示從傳統的WSSs技術到DL技術的演變。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、算法設計和模型推廣。

無線傳感的突破性進展通常依靠高質量的源輸入作為傳感介質，如Wi-Fi、聲學、LoRa和可見光。在室內定位領域著重于CSI的基本原理和研究趨勢，以Wi-Fi的CSI作為源輸入，以無設備的人類行為識別為重點，包括數據驅動和基于模型的Wi-Fi雷達的比較。通過關注以人為中心的應用，強調新的無線電技術和未探索的波段，以便在輔助生活應用中進行更實際的部署。

隨著無線傳感的研究興趣日益濃厚，有研究聚焦于室內定位，涵蓋Wi-Fi、Acoustic、RFID、UWB、Bluetooth等。有些強調了定位系統的輸入信號和工作原理的比較，有些則從設備的角度分析了基于智能手機的信號處理和數據融合技術方法，包括基于設備和無設備的WSSs。其中與本文介紹最相關的研究是檢測與識別、數值分析和圖像生成傳感任務，其中一些對基于建模和學習的Wi-Fi無線網絡進行了全面的綜述，其關注了Wi-Fi的CSI工作流程和傳統的信號處理技術。一些提供了基于DL的移動和無線網絡研究的百科全書式綜述，涵蓋現有的DL計算框架和移動數據分析，強調移動網絡(如5G)和DL驅動的網絡問題。

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

結合引發的問題及挑戰

DL技術證明了WSSs的潛力，但仍有幾個重要的問題和挑戰需要使用DL技術來解決。結合已有的研究成果及傳統信號處理技術與DL技術之間的協作進行總結，包括可擴展性&泛化、隱私&安全、魯棒性&敏感性，如圖2所示。

圖2 DL與無線傳感結合的問題與挑戰

1.可擴展性和泛化

DL技術依賴于大量高質量的數據來實現可伸縮和通用的性能。隨著體系結構的日益復雜和發展，需要更大的數據量和更高的質量，需要學習和配置更多的參數。與計算機視覺和自然語言處理等其他領域相比，無線傳感本身數據龐大但存在來自商業設備(如5300 Wi-Fi網卡，Semtech SX1276 LoRa節點)的噪聲。傳感器和網絡設備收集的大多數無線數據經常會出現丟失、冗余、錯誤標簽和類別不平衡，使得訓練和學習過程的可擴展性和泛化更加困難。

2.隱私和安全

在WSSs為現實世界提供了一種非侵入性、非突出性的傳感方法的同時，也帶來了許多隱私和安全問題，如日常活動、呼吸和呼吸速率估計、人體姿態估計等多種監控應用，甚至是隔墻監測。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重的損害。值得注意的是，DL技術也可以用來提高無線網絡安全，因為它已經成為人工智能安全的熱門話題，它利用人工智能根據類似或以前的活動自主識別和響應潛在的網絡威脅。然而，引入DL技術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，特別是深度神經網絡。一方面，人們注意到，大多數主流的神經網絡只在原始數據中加入少量的噪聲，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

根據感知任務的不同，可以通過調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，目標人可以概括為具有運動軀干的單點進行定位和跟蹤，而手勢識別和姿態估計則需要考慮身體部位和關節的運動。并且可以選擇各種PCA分量來代表相應的身體部位。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能力，如LoRa的CSS對多徑效應的恢復能力。另一方面，敏感WSSs采用細粒度CSI和FMCW進行精確傳感，同時依靠專門設計的降噪程序，如成像和多人定位和跟蹤。為了實現特定傳感任務的平衡性能，需要一個綜合的系統來適應傳感系統的魯棒性和靈敏度。從概念上講，可以在干擾彈性和感知粒度之間進行優化。

未來趨勢

上述問題和挑戰為人工智能無線傳感提供了有前景的研究課題，將引導深度人工智能支持無處不在的無線傳感的跨模態感知、跨領域感知和跨框架感知 。其中，跨模態感知(cross-modality sensing)增強了對多種輸入信號的信號預處理，跨領域感知(Cross-field Sensing)融合了其他領域的知識進行高級特征提取，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換來優化感知模態公式。

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。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。在下篇，將主要結合WSSs一般處理的綜合工作流，分別從信號預處理、高級特征提取和傳感模型形成等方面對現有的研究和人工智能方法進行總結和比較。

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.