智能物联网AIoT时代的智能无线感知技术简介

人类对物理世界的感知经历了从主观感受到传感器再到传感网的发展阶段。在传感器变得越来越小、数据采集变得越来越普及的同时，有一个问题也日益突出：传感系统的部署成本太特别是随着感知范围和规模不断增大，部署和维护长期稳定运行的大规模传感系统的难度和成本也越来越高。以室内人员定位为例，虽然我们可以在特定的房间、工厂里部署定位设施和系统，但是这些特定的区域与人类活动所处的整个物理世界相比无异于九牛一毛。当我们面对全世界范围内的住宅、学校、商场、机场、写字楼时，这种部署方式就显得无能为力了。

那么有没有可能突破传统思维，在不部署任何专用传感器的情况下也能感知各种环境信息呢？已有研究工作利用电视广播信号来获取能量，为低功耗物联网设备供电，受此启发，我们是否能够实现非传感器感知，利用环境中已经存在的无线射频信号（例如Wi-Fi、RFID、蓝牙、ZigBee以及广播电视信号等）来感知人的动作行为？如果可行，我们就无须在环境中部署专用的传感器，也不需要人员携带传感器。目前无线网络在全球范围内已经广泛普及，这种感知物理世界的方式将显著降低部署成本，在易用性、普适性等方面取得重要突破。

环境中已有的无线信号（声、光、射频信号等）在完成本职任务（照明、通信等）的同时，还可以“额外”用来感知环境。以射频信号为例，信号发射机产生的无线电波在传播过程中会发生直射、反射、散射等物理现象，从而形成多条传播路径。这样一来，在信号接收机处形成的多径叠加信号就携带了反映信号传播空间的信息。无线感知技术（或称为非传感器场景感知技术）通过分析无线信号在传播过程中的变化，获得信号传播空间（信道）的特性，以实现场景的感知。这里的场景既包括人的因素，也包括其他外物的因素。非传感器感知提供了一种全新的物理世界感知方式，即无须部署传感器，只“复用”环境中已有的无线信号即可实现场景感知。非传感器场景感知将人类对物理世界的感知方式推动到了一个新的阶段，从以前单纯依赖部署专用传感器的方式升级为“专用”与“复用”相结合的方式。

无线感知技术将感知与通信合二为一，具有三个鲜明特点：（1）无传感器（sensorless），感知人和环境不再需要部署专门的传感器，这有别于无线传感网中由传感器负责感知而无线信号负责通信；（2）无线（wireless），无须为通信及传感器部署有线线路；（3）无接触（contactless），相较于现在市场上的各种可穿戴式智能设备，无线感知更向前迈了一步，无须用户佩戴任何设备。

无线感知技术的感知对象包括环境、物品和人，潜在应用十分丰富。以感知人为例，无线感知技术可以用于被动式人员感知。“被动式”在这里指的是人员不需要携带任何电子设备，用以区别传统无线定位系统中，通过定位人所携带的电子设备来定位人员，这样的方式也被称作设备非绑定的（devicefree）或者非侵入式的（non-Invasive）。被动式人员检测可广泛用于各种普适计算的应用中，提供更好的基于用户位置的服务。例如，博物馆中参观者接近某个展品时自动播放展品说明，超市统计近期最受关注的商品，或者在电梯及车厢中统计乘客数量等。非传感器感知还可以作为一种新型人机交互方式，通过识别人的行为（姿势、动作以及手势等微小运动）来遥控电子设备（计算机、游戏机、智能硬件等），完成特定的功能或提供交互式体感游戏。

也可以用于智慧医疗监护，检测人员的睡眠质量以及老年人的意外跌倒等。被动感知的模式还契合安全保卫应用的需求。在涉密区域监控、人员入侵检测、灾难应急响应、重要物品保护等与安全相关的应用中，需要及时发现未携带任何无线通信设备的人员（工作人员或入侵者）是否在敏感区域出现并监测他们的活动。传统安防传感器中的红外传感器或者摄像头都受到可视角度的限制，只能在一个很有限的角度内监测目标，而且不能应对烟雾、遮挡乃至视觉欺骗的情况。在电影和生活中已经出现了针对传统安防传感器局限性的人员入侵方法，而基于无线信号的非传感器感知可以有效克服此类漏洞。

近年来，无线感知技术引起了学术界的广泛关注。在无线网络与移动计算的著名会议与期刊（例如ACM SIGCOMM、ACM MobiCom、ACM MobiSys、IEEE INFOCOM、USENIX NSDI、IEEE/ACM ToN、IEEE JSAC、IEEE TMC）上，许多论文将无线感知从梦想带入现实，在提升感知精度、提高鲁棒性、拓展应用场景等方面做出了重要贡献。除此之外，工业界也在探索非传感器感知的产品化，在智能家居、安防监控、健康监护等方面形成了实用的产品。

无线感知蓬勃发展的另一面是其在实际应用中的局限性，具体体现在特征、模型、数据集三个方面：

1. 有效特征湮没：信号特征与背景环境相关，导致感知结果依赖部署环境，泛化能力差、学习训练成本高。造成环境依赖性强的根本原因在于，已有研究工作提取的信号特征（例如信号幅度、相位等）严重依赖于系统部署的具体环境。因此，不同的使用环境、不同的用户，甚至同一用户的不同位置、不同朝向等都会降低感知准确性，导致完全无法实现感知。针对新环境，需要重新采集数据进行训练，造成无线感知普适性差并且学习训练成本高。但令人遗憾的是，已有的工作绝大部分都是基于环境相关的信号特征来实现的。

2. 识别模型粗陋：缺乏在无线信号空间对人的行为活动的精细时空建模，导致感知精度低、鲁棒性差。人的姿势、动作、行为模式具有特定的时空特征。计算机视觉方向的研究工作针对图像和视频数据对人体运动特征进行建模并识别，取得了较大突破。然而在无线信号空间，缺乏对人行为活动的精细时空建模。因此，已有的工作通常简单地使用计算机视觉领域的方法，直接在原始信号层次上进行识别，或者仅仅使用时间相关性或空间相关性，缺乏同时整合利用二者的有效手段，造成相似动作难以准确判别，在实际环境中感知精度低、鲁棒性差。

3. 数据集缺失：高质量公开数据集的缺失造成性能比较不客观、实验结果难复现、技术进步难积累。越来越多的研究人员认识到，高质量的数据集在提取有效特征、训练精确模型以及提升跨场景学习能力等方面会起到至关重要的作用。特别是深度学习算法的广泛使用，对数据集的规模和质量提出了更高的要求。然而目前公开的数据集非常少，且数据量不足、应用场景少，难以满足深度学习算法的需求，往往导致识别模型欠拟合、泛化能力差。高质量公开数据集的缺失造成许多研究工作陷人“自说自话”的境地—性能比较不客观、实验结果难复现、技术进步难积累。
   （文章来源：http://www.elecfans.com/d/1198780.html）