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。在过去十年中，许多复杂的无线传感技术和系统已针对各种应用（例如，手势识别、定位、物体成像）进行了广泛研究。最近，深度人工智能(AI)，也称为深度学习(DL)，在计算机视觉领域取得了巨大成功。一些研究初步证明，深度人工智能也可以有利于无线传感，从而向无处不在的传感迈出全新的一步[1]。本文将分为两部分向读者介绍受益于深度人工智能技术的无线传感的发展。第一部分主要介绍深度人工智能与无线传感的背景、已有的相关研究、两者结合所带来的问题与挑战，以及深度人工智能实现无处不在的无线传感的未来趋势。下一部分主要介绍无线传感系统（WSSs）的一般工作流程中现有的三个模块（信号预处理、高级特征提取和传感模型形成）的基于深度人工智能的技术，并与传统方法进行比较以进一步比较。本文内容主要参考文献[1]。无线传感和深度人工智能背景随着物联网的发展，多种无线技术被用于连接具有不同频谱带宽、通信范围、数据速率和能耗的物联网设备。目前广泛使用和商业化的无线技术包括Wi-Fi、ZigBee、LoRa、RFID、UWB和蓝牙。此外，由于广泛安装在智能手机和可穿戴设备中的相机、扬声器和麦克风的廉价性，基于声信号和可见光的无线通信也应运而生。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。作为输入的常用信号状态有RSSI、CSI和线性调频。高质量的信号状态和高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，RSSI、CSI和线性调频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，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更高。Chirp可以提供比CSI更细粒度的空间分辨率，例如用于无设备人体姿态估计的专用调频连续波(FMCW)无线电。使用低成本商用Wi-Fi设备即可轻松获得CSI，这使得无处不在的部署变得更加容易。为了从人工智能演进的角度论证无线传感与深度人工智能的关系，我们首先阐述人工智能、机器学习和深度学习的关系，如图1所示。图1早期的无线传感与深度人工智能在人工智能领域，该领域专注于可以用一组形式化的数学规则来描述的问题，这使得计算机相对简单，例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集成到计算机的形式语言中，已经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，人工智能系统需要能够通过从原始数据中提取模式来获取自己的知识。这种称为机器学习(ML)的功能实质上使算法能够根据原始数据进行预测、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。应该注意的是，大多数现有的WSS使用ML算法进行特征提取，例如具有监督学习的k最近邻(k-NN)、支持向量机(SVM)和具有无监督学习的聚类。鉴于无线信号中可能存在大量噪声，模式表示的有限能力阻碍了进一步探索，尤其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定义的在单元操作中呈现。使用具有非线性激活函数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激活一组特定的单元，从而影响神经网络模型的输出。现有的无线传感系统已将生成对抗网络用于传感过程，例如用于信号处理域自适应的对抗结构。现有相关调查大多数现有调查分别探讨无线传感和DL技术。一方面，现有的贡献分散在不同的传感模式（例如Wi-Fi、声学、LoRa）和重点应用（例如识别、定位、健康监测）中。另一方面，现有作品并未展示从传统WSS技术到DL技术的演变。从WSS的通用工作流程来看，需要更多的比较和联系，包括信号处理、算法设计和模型泛化。无线传感的突破往往依赖于高质量的源输入作为传感介质，例如Wi-Fi、声学、LoRa、可见光等。在室内定位领域，关注CSI的基本原理和研究趋势，以Wi-FiCSI为源输入，专注于无设备的人体行为识别，包括数据驱动和基于模型的Wi的比较-Fi雷达。通过专注于以人为中心的应用，强调新的无线电技术和未开发的频段，以便在辅助生活应用中进行更实际的部署。随着人们对无线传感的研究兴趣越来越大，一些研究集中在室内定位，涵盖Wi-Fi、Acoustic、RFID、UWB、Bluetooth等。一些强调定位系统输入信号和工作原理的比较，而另一些则分析智能手机-基于设备角度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WSS。与本文介绍最相关的研究包括检测和识别、数值分析和图像生成传感任务，其中一些提供了基于建模和学习的Wi-Fi无线网络的全面调查，重点关注CSIWi-Fi工作流程和传统信号处理技术。有些提供了基于DL的移动和无线网络研究的百科全书式调查，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。现有研究不太关注深度人工智能和无线传感之间的结合，与现有方法不同，这种结合不限于任何特定类型的源输入或应用程序输出。因此，结合深度人工智能方法进行无线传感具有良好的研究前景。结合DL技术提出的问题和挑战展示了WSS的潜力，但仍然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以及传统信号处理技术与DL技术的协同，总结出来，包括scalability&generalization、privacy&security、robustness&sensitivity，如图2所示。图2DL与无线相结合的问题与挑战感知1.可扩展性和泛化深度学习技术依赖于大量高质量的数据来实现可扩展性和通用性。随着架构的复杂性和发展，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、自然语言处理等其他领域相比，无线传感本身拥有庞大的数据，但存在来自商用设备（如5300Wi-Fi网卡、SemtechSX1276LoRa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、错误标记和类不平衡等问题，这使得训练和学习过程的可扩展性和泛化变得更加困难。2.隐私和安全WSSs在为现实世界提供非侵入式和非侵入式感知方法的同时，也带来了很多隐私和安全问题，例如日常活动、呼吸和呼吸率估计、人体姿势估计和其他监测应用程序，甚至分区监控。如果这些感知信息被恶意黑客和攻击者泄露并获取，将对受害者造成严重的损害。值得注意的是，DL技术还可用于提高无线网络安全性，因为它已成为AI安全领域的热门话题，它使用AI根据类似或先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，我们可以使用虚假信号来欺骗WSS，尤其是深度神经网络。一方面，人们注意到大多数主流神经网络很容易通过仅向原始数据添加少量噪声而被错误分类。另一方面，我们也可以故意伪造高级无线信号，例如XModal-ID生成的伪造CSI频谱图。3.鲁棒性和灵敏度根据感知任务，WSSs的鲁棒性和灵敏度可以通过调整干扰弹性和感知粒度来平衡。具体来说，目标人物可以概括为具有移动躯干的单点进行定位和跟踪，而手势识别和姿态估计需要考虑身体部位和关节的运动。并且可以选择各种PCA组件来表示相应的身体部位。一方面，强大的WSS需要牺牲空间分辨率，以实现对干扰和噪声的非凡弹性，例如LoRa的CSS对多径效应的弹性。另一方面，敏感的WSS采用细粒度CSI和FMCW进行精确传感，同时依赖于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，需要一个集成系统来适应传感系统的稳健性和灵敏度。从概念上讲，可以在扰动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跨模态、跨领域、跨框架的传感，实现无处不在的无线传感。其中，cross-modalitysensing增强了对各种输入信号的信号预处理，cross-fieldsensing整合了其他领域的知识进行高级特征提取，cross-fieldsensing（Cross-fieldSensing）框架Sensing）依赖于定义明确的深度人工智能框架，从视觉或音频处理切换到优化感知模态公式。总结人工智能技术在多个领域的应用日益广泛，展现出巨大的应用潜力，成为泛在感知WSS不可或缺的组成部分。本文主要介绍深度人工智能和无线传感的背景。通过现有的相关调查，我们了解了现有研究在DL和无线传感方面的贡献以及将两者结合的可行性。阐述了两者结合所带来的问题和挑战，最后探讨了深度人工智能实现无处不在的无线感知的未来趋势。第二部分主要结合WSS通用处理的综合工作流程，从信号预处理、高级特征提取、感知模型形成等方面对现有研究和人工智能方法进行总结和比较。参考文献[1]LiC,CaoZ,LiuY.DeepAIEnabledUbiquitousWirelessSensing:ASurvey[J].ACM计算调查(CSUR)，2021年，54(2)：1-35。
