|
|
|
|
公众号矩阵
创建专栏

碰撞的火花:深度人工智能与无线传感(上篇)

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)。

作者:中国保密协会科学技术分会|2021-11-18 14:40

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]。

本文将分为上下两篇,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]。

无线传感和深度人工智能的背景

随着物联网的发展,多种无线技术被用于连接不同频谱带宽、通信范围、数据速率和能耗的物联网设备。目前广泛应用和商业化的无线技术包括Wi-Fi、ZigBee、LoRa、RFID、超宽带和蓝牙等。此外,由于相机、扬声器和麦克风价格低廉,且广泛安装在智能手机和可穿戴设备上,基于声信号和可见光的无线通信也出现了。通过将不同类型的原始信号信息作为输入,我们可以获得不同的输出,包括检测、识别、识别、定位、跟踪和成像等多种传感目的。

常用的作为输入的信号状态有RSSI,CSI和chirp。高质量的信号状态和有效的无线系统是传感的两个关键因素。根据感知粒度、范围、部署成本和系统鲁棒性的不同,RSSI、CSI和chirp信号可用于不同的感知场景。具体来说:

RSSI比CSI更容易受到多径效应引起的符号间干扰的影响,而后者的时频分析需要额外的计算资源,使得移动设备的计算复杂度较高。

chirp可以提供比CSI更细粒度的空间分辨率,例如专用的调频连续波(Frequency Modulated Continuous Wave,FMCW)无线电用于无设备的人体姿态估计。

CSI可以使用低成本的商用Wi-Fi设备轻松获得,这使得无处不在的部署更加容易。

为了从人工智能演变的角度展示无线传感和深度人工智能的关系,我们首先说明人工智能、机器学习和深度学习之间的关系,如图1所示。

图1 无线传感与深度人工智能

在人工智能的早期,该领域专注于可以用一系列正式的数学规则来描述的问题,这使得计算机相对简单,比如识别语音或图像中的人脸。为了将关于世界的硬编码知识整合到计算机的形式语言中,提出了几种基于知识的方法,包括专家系统、基于知识的工程和基于规则的系统。然而,具有硬编码知识的系统所面临的困难表明,人工智能系统需要通过从原始数据中提取模式来获取自身知识的能力。这种能力被称为机器学习(ML),它本质上使算法能够基于原始数据进行预测、分类或决策,而无需明确编程。根据框架和数据需求,我们可以将它们分为三类,包括监督学习、非监督学习和强化学习。需要注意的是,现有的WSSs大多采用ML算法进行特征提取,如有监督学习的k-最近邻(k-NN)、支持向量机(SVM)和无监督学习的聚类。

考虑到无线信号潜在的大量噪声,模式表示的能力有限,使其无法进行更多的探索,特别是对原始数据的高级抽象特征。为此,深度学习(DL)提出了一种基于分层多层非线性处理单元的表示学习技术,即前馈神经网络(ANN),其基本思想是将复杂的概念从简单的和预先定义的单元操作中渲染出来。利用具有非线性激活功能的分层隐藏单元的加权组合,类似于人脑的感知过程,在当前环境或任务下,一组特定的单元被激活,从而影响神经网络模型的输出。现有的无线传感系统已经将生成对抗网络用于传感过程,如用于信号处理领域适应的对抗性结构。

现有相关调查

现有的大多数调查分别探讨了无线传感和DL技术。一方面,现有的贡献分散在不同的传感模式(如Wi-Fi、声学、LoRa)和重点应用(如识别、定位、健康监测)。另一方面,现有的工作没有展示从传统的WSSs技术到DL技术的演变。从WSSs通用工作流的角度来看,还需要更多的比较和连接,包括信号处理、算法设计和模型推广。

无线传感的突破性进展通常依靠高质量的源输入作为传感介质,如Wi-Fi、声学、LoRa和可见光。在室内定位领域着重于CSI的基本原理和研究趋势,以Wi-Fi的CSI作为源输入,以无设备的人类行为识别为重点,包括数据驱动和基于模型的Wi-Fi雷达的比较。通过关注以人为中心的应用,强调新的无线电技术和未探索的波段,以便在辅助生活应用中进行更实际的部署。

随着无线传感的研究兴趣日益浓厚,有研究聚焦于室内定位,涵盖Wi-Fi、Acoustic、RFID、UWB、Bluetooth等。有些强调了定位系统的输入信号和工作原理的比较,有些则从设备的角度分析了基于智能手机的信号处理和数据融合技术方法,包括基于设备和无设备的WSSs。其中与本文介绍最相关的研究是检测与识别、数值分析和图像生成传感任务,其中一些对基于建模和学习的Wi-Fi无线网络进行了全面的综述,其关注了Wi-Fi的CSI工作流程和传统的信号处理技术。一些提供了基于DL的移动和无线网络研究的百科全书式综述,涵盖现有的DL计算框架和移动数据分析,强调移动网络(如5G)和DL驱动的网络问题。

现有的研究对于深度人工智能和无线传感之间的结合较少,这种结合与现有的方法不同,它的范围不限于任何特定类型的来源输入或应用输出。因此结合深度人工智能方法用于无线传感,具有较好的研究前景。

结合引发的问题及挑战

DL技术证明了WSSs的潜力,但仍有几个重要的问题和挑战需要使用DL技术来解决。结合已有的研究成果及传统信号处理技术与DL技术之间的协作进行总结,包括可扩展性&泛化、隐私&安全、鲁棒性&敏感性,如图2所示。

图2 DL与无线传感结合的问题与挑战

1.可扩展性和泛化

DL技术依赖于大量高质量的数据来实现可伸缩和通用的性能。随着体系结构的日益复杂和发展,需要更大的数据量和更高的质量,需要学习和配置更多的参数。与计算机视觉和自然语言处理等其他领域相比,无线传感本身数据庞大但存在来自商业设备(如5300 Wi-Fi网卡,Semtech SX1276 LoRa节点)的噪声。传感器和网络设备收集的大多数无线数据经常会出现丢失、冗余、错误标签和类别不平衡,使得训练和学习过程的可扩展性和泛化更加困难。

2.隐私和安全

在WSSs为现实世界提供了一种非侵入性、非突出性的传感方法的同时,也带来了许多隐私和安全问题,如日常活动、呼吸和呼吸速率估计、人体姿态估计等多种监控应用,甚至是隔墙监测。如果这些感知信息被恶意的黑客和攻击者泄露和获取,将会对受害者造成严重的损害。值得注意的是,DL技术也可以用来提高无线网络安全,因为它已经成为人工智能安全的热门话题,它利用人工智能根据类似或以前的活动自主识别和响应潜在的网络威胁。然而,引入DL技术会加剧隐私和安全问题。例如,我们可以利用虚假信号欺骗WSSs,特别是深度神经网络。一方面,人们注意到,大多数主流的神经网络只在原始数据中加入少量的噪声,就很容易被误分类。另一方面,我们也可以故意伪造高层次的无线信号,比如XModal-ID生成的假冒CSI声谱图。

3.鲁棒性和敏感性

根据感知任务的不同,可以通过调整干扰弹性和感知粒度来平衡WSSs的鲁棒性和灵敏度。具体来说,目标人可以概括为具有运动躯干的单点进行定位和跟踪,而手势识别和姿态估计则需要考虑身体部位和关节的运动。并且可以选择各种PCA分量来代表相应的身体部位。一方面,鲁棒WSSs需要牺牲空间分辨率,使得对干扰和噪声具有非凡的恢复能力,如LoRa的CSS对多径效应的恢复能力。另一方面,敏感WSSs采用细粒度CSI和FMCW进行精确传感,同时依靠专门设计的降噪程序,如成像和多人定位和跟踪。为了实现特定传感任务的平衡性能,需要一个综合的系统来适应传感系统的鲁棒性和灵敏度。从概念上讲,可以在干扰弹性和感知粒度之间进行优化。

未来趋势

上述问题和挑战为人工智能无线传感提供了有前景的研究课题,将引导深度人工智能支持无处不在的无线传感的跨模态感知、跨领域感知和跨框架感知 。其中,跨模态感知(cross-modality sensing)增强了对多种输入信号的信号预处理,跨领域感知(Cross-field Sensing)融合了其他领域的知识进行高级特征提取,跨框架感知(Cross-framework Sensing)依赖于定义良好的深度人工智能框架,从视觉或音频处理转换来优化感知模态公式。

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。在本文中,主要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。在下篇,将主要结合WSSs一般处理的综合工作流,分别从信号预处理、高级特征提取和传感模型形成等方面对现有的研究和人工智能方法进行总结和比较。

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.

【编辑推荐】

  1. 强强联手,可视化与人工智能的完美结合!
  2. 人工智能驱动的机器如何加速制造业的工业自动化
  3. 博士讲授人工智能之机器学习-线性回归-梯度下降算法教程
  4. 人大高瓴人工智能学院孙浩团队Nature子刊发文:AI走进工程应用,数据驱动多学科复杂系统
  5. 物联网、分析和人工智能—数字化的成功三重奏
【责任编辑:武晓燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢