前 言
随着物联网(IoT)的发展，各种无线信号(如Wi-Fi、LoRa、RFID)充斥着我们的生活和工作空间。在过去的十年中，许多复杂的无线传感技术和系统被广泛研究用于各种应用(如手势识别、定位、物体成像)。最近，深度人工智能(AI)，也被称为深度学习(DL)，在计算机视觉方面显示了巨大的成功。一些研究已经初步证明，深度人工智能也可以使无线传感受益，从而向无所不在的传感方向迈出了全新的一步[1]。
本文分为上下两篇，为读者介绍从深度人工智能技术中获益的无线传感的发展。
上篇主要介绍深度人工智能及无线传感的背景、现有的相关调查、二者结合引发的问题及挑战和深度人工智能实现无所不在无线传感的未来趋势。
下篇主要介绍无线传感系统(Wireless Sensing Systems，WSSs)通用工作流中的三个模块(信号预处理、高级特征提取和传感模型形成)现有的基于深度人工智能的技术，并与传统的方法进行进一步的比较。本文内容主要参考了文献[1]。
无线传感系统的工作过程
无线传感系统的工作过程主要分为三个部分：信号输入、信号处理与建模和应用。
1.信号输入：无线传感系统的信号输入是从无线电中获取的原始信号信息。可以是接收信号强度指示器(Received Signal Strength Indicator, RSSI)，也可以是信道状态信息(Channel State information, CSI)。
2.信号处理与建模：信号处理与建模是无线传感系统的关键部分，负责对输入的信号进行处理和模型建立，使得可以在目标场景下得以应用。该部分主要分为三个通用功能模块：信号预处理、高级特征提取和传感模型形成，是可用深度人工智能优化的三个模块，也是本文主要进行介绍的三个模块。
3.应用：应用是无线传感系统工作过程的最后一步，也是最终的目标。通过上述两个过程对信号进行接收、处理和分析，完成在目标场景下预期的功能和目标。
无线传感系统的工作过程如图1所示。
图1 无线传感系统的工作过程
信号预处理
无线传感系统在接收原始信号输入后，需要对信号进行相应的处理，进而获得其中关注的数据，因无线环境的复杂、异构和演化，一般采用降噪和数据自适应的方法进行特征提取。
降噪方面，Widar3.0首先通过CSI测量得到体坐标速度剖面(BVP)，BVP与诸如收发器的部署或表演者的方向等领域无关，是一个与领域无关的物理特征。其次通过集成基于cnn的GRU模型进一步增强了特定领域的降噪效果，并在直接应用于新领域时取得了相当优良的性能。重要的是，它表明了将信号处理与DL技术结合以降低噪声的潜力。随后，WiPose使用3D BVP去除与姿态无关的噪声，使用了7层CNN-LSTM模型进行增强。
传统降噪的基本思想是利用预先测量的干扰进行校准计算，其性能取决于干扰测量的粒度和适应性。而从DL技术的角度来看，它可以区分感兴趣的信号和噪声，如硬件异质性和背景干扰引起的相位偏移，闪光效应和远近问题引起的无关反射路径，以及非平坦频率响应。
数据自适应方面，DFAR采用学习具有鉴别性的深度特征的思想，实现了一种在跨场景条件下转移特征的最大最小对抗方法，然后通过mmWave为跨场景活动识别定制多层CNN，减轻新环境中特征转移引起的退化。DFGR针对Wi-Fi的域相关CSI，设计了深度特征提取和深度相似度评价网络，评估了训练集到新测试条件的可转移相似性。CrossSense通过设计一个7层前馈ANN漫游模型，采用迁移学习技术去除不相关的成分在扩展到跨场景条件的同时进一步减少训练的工作量。此外，EI和RF-Sleep将对抗架构集成到特征提取器中，该特征提取器可以通过为生成器和鉴别器专门设计的损失函数作为惩罚来学习环境无关的组件。
传统数据自适应的基本思想，一方面，利用压缩算法去除冗余部分，提高计算效率;另一方面，可以利用合成算法获取多维信息，使其对细粒度的感知变量更敏感。而对比上述基于DL的数据自适应，做到了更好的信号不相关成分的去除，更好的特征感知，甚至于跨场景的特征转移。
高级特征提取
接收来自信号预处理模块经过处理的信号，下一步便是为进一步的模型建立提取特征。
DL技术由于其高学习能力，被广泛应用于特征提取。现有的多个基于卷积的网络用于空间分析，包括MLP、CNN和一些衍生网络，如编码器-解码器网络。实验表明，采用简单的MLP对处理后的无线信号进行极化提取，MLP优于传统的基于ML的特征提取方法，如REF-SVM、k-NN和Na?ve Bayes。CNN基于局部连通性、参数共享、输入自适应和等效表示的设计，具有强大的空间特征自动优化能力。因此，WSSs结合CNN进行更细粒度的空间特征提取。例如， SignFi进一步使用9层CNN从CSI测量的幅度和相位获取空间相关性，以识别276个手势。Shi等在传统的SVM欺骗方案下，结合CNN从日常活动中提取9个人工设计的生理特征(如体形、身高、体重)和行为特征(如行走模式)，绘制出独特的空间特征，用于11个用户的身份验证。我们可以看到，DL网络的使用可以减轻WSSs手工特征设计和进一步自举应用的繁琐工作
DL技术也可以用于捕获时序信号的时间快照，如RNN、LSTM和GRU。考虑到二维AoA-ToF剖面的噪声，RTrack设计了一种RNN，即使在低信噪比的情况下，也可以将二维MUSIC得到的易出现误差的2D距离剖面映射到一个细粒度的目标反射面。其原理是RNN可以利用连续二维剖面之间的时间结构，纠正噪声、多路径和移动性问题的影响。大多数WSSs将时间快照与空间优势结合起来，协同估计距离和方向。它也适用于神经网络，如Widar3.0设计的基于CNN的GRU网络，用于提取空间和时间特征。
为了有效地提取物理特征，可以利用对抗结构，如GAN来学习信号输入和应用输出之间的隐藏连接。例如，RF-Sleep利用条件对抗架构来区分假样本和地面真实，绘制CNN-RNN特征提取器来学习用于睡眠阶段检测的最优特征。EI采用GAN模型从CNN特征提取器中去除不相关的组件，降低了跨域场景的部署成本。将GAN集成到WSSs是一个很有前途的方向，GAN在计算机视觉领域的快速发展，如Pix2pix GAN和Cycle-GAN，激励我们在未来的工作中挖掘GAN和WSSs的潜在结合。
传感模型建立
经过上述的特征提取，剩下的挑战就是制定一个模型，将原始信号的输入与最终应用的输出连接起来。这里要介绍的模型建立方法有传统的模型建立的方法：基于几何的建模、基于统计的建模及基于机器学习的建模和本文提到的基于深度人工智能的建模。如图2所示。
图2 传感模型的建立方法
基于几何的建模。一个几何模型是将给定提取的特征用于距离和方向估计，利用三角形的几何性质可以用来估计发射信号的直接(最短)路径的位置、覆盖三边测量和三角测量。另一个几何模型是用于定位和跟踪的菲涅耳带模型，菲涅耳带模型表示了一系列波浪叠加强度增强和减弱交替的同心椭球区域。它是由运动目标引起的反射路径的相位变化引起的，从而导致波叠加相位的相干和相干干涉。
基于统计的建模。统计模型制定了从输入到输出的映射，以进行数值优化，这依赖于经验测量或概率函数来描述无线信道。例如，为了获得用于感知任务的多维和互补信息，一个直观的想法是提取多个特征，以提供额外的抗噪声能力，包括空间优势、时间快照和物理特征。因此，可以利用联合多参数估计来整合各种特征并得出最终结果。
基于机器学习(ML)的建模。机器学习或基于浅层学习的模型经常被用来寻找应用输出的输入来源的边界。使用ML进行模型构建，常用模型有k近邻、SVM和自组织映射、隐马尔可夫模型、随机森林、决策树和朴素贝叶斯等。
基于深度人工智能的建模。与上述三种传统的建模方法相比，DL模型可以更有效地将原始信号输入与最终应用的输出连接起来，特别是对于高度细粒度的感知任务，如骨骼恢复、多人活动识别和人体网格重建。多种DL技术可以从其他领域转移，如图像翻译，多任务学习，迁移学习。将其他领域中较为成熟的模型转移至目标领域，在保持其原有的优越性基础上，进一步训练，达到一个较好的效果。
小 结
人工智能技术已越来越多地应用于多个领域，并显示出巨大的应用潜力，使其在面向泛在感知的WSSs中不可或缺。上篇中，介绍了深度人工智能及无线传感的背景，通过现有的相关调查，了解了现有研究在DL和无线传感方面的贡献及二者结合的可行性。阐述了二者结合引发的问题及挑战，最后讨论了深度人工智能实现无所不在无线传感的未来趋势。本篇为下篇，主要结合了WSSs工作过程，分别从信号预处理、高级特征提取和传感模型形成等方面介绍了现有的基于深度人工智能的技术与一些传统的方法。
参考文献
[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.
