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]。无线传感器系统的工作过程无线传感器系统的工作过程主要分为信号输入、信号处理和建模与应用三个部分。1、信号输入：无线??传感器系统的信号输入是从无线电获取的原始信号信息。可以是接收信号强度指示（ReceivedSignalStrengthIndicator，RSSI）或信道状态信息（ChannelStateinformation，CSI）。2.信号处理与建模：信号处理与建模是无线传感器系统的关键部分，负责对输入信号进行处理，建立模型，使其应用??于目标场景。这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器模型形成，这是深度人工智能可以优化的三个模块，也是本文主要介绍的三个模块。3、应用：应用是无线传感器系统工作过程中的最后一步，也是最终目的。通过以上两个过程接收、处理和分析信号，在目标场景中完成预期的功能和目标。无线传感器系统的工作流程如图1所示。图1无线传感器系统的工作流程数据。使用降噪和数据自适应方法执行特征提取。在降噪方面，Widar3.0首先通过CSI测量得到体坐标速度剖面（BVP）。BVP与收发器的部署或表演者的方向等领域无关，是一种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不错的性能。重要的是，它展示了将信号处理与DL技术相结合以降低噪声的潜力。随后，WiPose使用3DBVP去除与姿态无关的噪声，并使用7层CNN-LSTM模型进行增强。常规降噪的基本思想是利用预先测量的扰动进行校准计算，其性能取决于扰动测量的粒度和适应性。从DL技术的角度来看，它可以将感兴趣的信号与噪声区分开来，例如硬件异质性和背景干扰引起的相移，闪光效应和远近问题引起的不相关反射路径，以及不平坦的频率响应。在数据适配方面，DFAR利用学习判别深度特征的思想，实现跨场景条件下特征传递的最大-最小对抗方法，然后利用mmWave定制多层CNN进行跨场景活动识别来缓解新环境。由介质中的特征转移引起的降解。DFGR为Wi-Fi的领域相关CSI设计了深度特征提取和深度相似性评估网络，并评估了从训练集到新测试条件的可迁移相似性。CrossSense设计了一个7层前馈ANN漫游模型，并使用迁移学习技术去除不相关的组件，扩展到跨场景条件，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使用专门为生成器和鉴别器设计的损失函数作为惩罚来学习上下文无关的组件。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，它可以使用合成算法来获取多维信息，使其对细粒度的感知变量更加敏感。与上述基于DL的数据自适应相比，它实现了更好地去除无关信号成分，更好的特征感知，甚至跨场景的特征迁移。高级特征提取从信号预处理模块接收处理后的信号，下一步是为进一步的模型构建提取的特征。DL技术由于其高学习能力而被广泛应用于特征提取。存在用于空间分析的多个基于卷积的网络，包括MLP、CNN和一些衍生物，例如编码器-解码器网络。实验表明，使用简单的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，例如REF-SVM、k-NN和朴素贝叶斯。基于局部连通性、参数共享、输入自适应和等价表示的设计，CNN具有强大的空间特征自动优化能力。因此，WSS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得空间相关性，以识别276个手势。在传统的SVM欺骗方案下，Shi等人。结合CNN从日常活动中提取9个人工设计的生理特征（如体型、身高、体重）和行为特征（如步行模式），并为11个用户提取独特的空间特征用于身份验证。我们可以看到，DL网络的使用可以将WSS从手动特征设计和进一步引导应用程序的繁琐工作中解脱出来。DL技术也可用于捕获顺序信号的时间快照，例如RNN、LSTM和GRU。考虑到2DAoA-ToFprofile的噪声，RTrack设计了一个RNN，即使在低SNRReflectivesurface的情况下，也可以将2DMUSIC获得的容易出错的2Ddistanceprofile映射到细粒度的目标。原理是RNN可以利用连续2D剖面之间的时间结构来校正噪声、多路径和移动性问题的影响。大多数WSS将时间快照与空间优势相结合，共同估计距离和方向。它也适用于神经网络，例如Widar3.0设计的基于CNN的GRU网络，用于提取时空特征。为了有效地提取物理特征，可以利用GAN等对抗结构来学习信号输入和应用程序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真实样本，并利用绘图CNN-RNN特征提取器来学习睡眠阶段检测的最佳特征。EI使用GAN模型去除CNN特征提取器中不相关的成分，降低跨域场景下的部署成本。将GAN集成到WSS中是一个很有前途的方向，GAN在计算机视觉领域的快速发展，例如Pix2pixGAN和Cycle-GAN，促使我们在未来的工作中探索GAN和WSS的潜在结合。传感模型构建在上述特征提取之后，剩下的挑战是制定一个模型，将原始信号的输入连接到最终应用的输出。这里要介绍的模型构建方法包括传统的模型构建方法：本文提到的基于几何的建模、基于统计的建模、基于机器学习的建模以及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是基于几何建模的。给定提取的特征，几何模型用于距离和方向估计，利用三角形的几何特性可用于估计传输信号的直接（最短）路径的位置，包括三边测量和三角测量。另一种几何模型是用于定位和跟踪的菲涅尔区域模型。菲涅耳区模型表示一系列同心椭圆体区域，其中波叠加的强度在增加和减少之间交替。它是由移动目标引起的反射路径的相位变化，导致波叠加相位的相干和相干干涉引起的。统计建模。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性，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综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通常用于查找应用程序输出的输入源边界。利用ML进行模型构建，常用的模型有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。与上述三种传统建模方法相比，DL模型能够更有效地将原始信号输入与最终应用的输出联系起来，尤其适用于高度细粒度的感知任务，如骨骼修复、多人活动识别和人体网格重建。可以从其他领域迁移各种DL技术，例如图像翻译、多任务学习、迁移学习。将其他领域较为成熟的模型迁移到目标领域，在保持原有优势的基础上进一步训练，以达到更好的效果。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。第一部分介绍了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。本文是下一篇，主要结合WSSs的工作过程，从信号预处理、高级特征提取和感知模型形成等方面介绍现有的基于深度人工智能的技术和一些传统方法。参考文献[1]LiC,CaoZ,LiuY.DeepAIEnabledUbiquitousWirelessSensing:ASurvey[J].ACM计算调查(CSUR)，2021年，54(2)：1-35。
