衝突の火花: ディープ AI とワイヤレスセンシング (パート 1)

[[435758]]

序文

モノのインターネット (IoT) の発展により、さまざまな無線信号 (Wi-Fi、LoRa、RFID など) が私たちの生活空間や職場空間に溢れています。過去 10 年間で、さまざまなアプリケーション (ジェスチャ認識、位置特定、物体イメージングなど) 向けに、多くの高度なワイヤレスセンシング技術とシステムが広範に研究されてきました。最近、ディープラーニング (DL) としても知られるディープ人工知能 (AI) が、コンピュータービジョンで大きな成功を収めています。いくつかの研究では、深層人工知能がワイヤレスセンシングにも役立つことが予備的に実証されており、ユビキタスセンシングに向けた新たな一歩を踏み出している[1]。

この記事は 2 つのパートに分かれており、ディープラーニング人工知能技術を活用したワイヤレスセンシングの開発について紹介します。

前回の記事では、主にディープラーニングと無線センシングの背景、既存の関連調査、両者の組み合わせによって生じる問題と課題、そしてユビキタス無線センシングを実現するためのディープラーニングの今後の動向について紹介しました。

次の記事では、主にワイヤレスセンシングシステム (WSS) の一般的なワークフローにおける 3 つのモジュール (信号前処理、高度な特徴抽出、センシングモデル形成) における既存のディープラーニングベースのテクノロジを紹介し、従来の方法と比較します。この論文の内容は主に文献[1]を参照している。

ワイヤレスセンシングとディープAIの背景

モノのインターネットの発展に伴い、スペクトル帯域幅、通信範囲、データレート、エネルギー消費量が異なる IoT デバイスを接続するために、複数のワイヤレステクノロジが使用されるようになりました。現在、広く使用され、商用化されている無線技術には、Wi-Fi、ZigBee、LoRa、RFID、超広帯域、Bluetooth などがあります。さらに、カメラやスピーカー、マイクが安価になり、スマートフォンやウェアラブルデバイスに広く搭載されるようになったことから、音響信号や可視光による無線通信も登場しました。さまざまな種類の生の信号情報を入力として取り込むことで、さまざまなセンシング目的の検出、認識、識別、位置決め、追跡、イメージングなどのさまざまな出力を取得できます。

入力として一般的に使用される信号状態は、RSSI、CSI、およびチャープです。高品質の信号条件と効果的なワイヤレスシステムは、センシングにおける 2 つの重要な要素です。 RSSI、CSI、チャープ信号は、センシングの粒度、範囲、展開コスト、システムの堅牢性に応じて、さまざまなセンシングシナリオで使用できます。具体的には：

RSSI は CSI よりもマルチパス効果によるシンボル間干渉の影響を受けやすく、後者の時間周波数解析には追加の計算リソースが必要となり、モバイルデバイスの計算の複雑さが増します。

チャープは、デバイスフリーの人間の姿勢推定専用の周波数変調連続波 (FMCW) 無線など、CSI よりもきめ細かい空間解像度を提供できます。

CSI は、低コストの商用 Wi-Fi 機器を使用して簡単に利用できるため、ユビキタス展開が容易になります。

AI の進化の観点からワイヤレスセンシングとディープ AI の関係を示すために、まず、図 1 に示すように、AI、機械学習、ディープラーニングの関係を示します。

図1 ワイヤレスセンシングとディープラーニング人工知能

人工知能の初期の頃、この分野は正式な数学的規則のセットで記述できる問題に焦点を合わせており、コンピューターが音声や画像内の顔を認識するなどの処理を比較的簡単に行うことができました。世界についてのハードコードされた知識をコンピューターの形式言語に統合するために、エキスパートシステム、知識ベースエンジニアリング、ルールベースシステムなど、いくつかの知識ベースアプローチが提案されています。しかし、ハードコードされた知識を持つシステムが直面する困難は、AI システムが生データからパターンを抽出して独自の知識を獲得する能力を必要とすることを示しています。この機能は機械学習 (ML) と呼ばれ、本質的には、明示的にプログラムすることなく、アルゴリズムが生データに基づいて予測、分類、または決定を行うことを可能にします。フレームワークとデータ要件に基づいて、教師あり学習、教師なし学習、強化学習の 3 つのカテゴリに分類できます。既存の WSS のほとんどは、教師あり学習には k 最近傍法 (k-NN)、教師なし学習にはサポートベクターマシン (SVM) やクラスタリングなどの ML アルゴリズムを使用して特徴抽出を行っていることに注意してください。

無線信号には潜在的に大量のノイズが含まれる可能性があることを考慮すると、パターン表現の能力が限られているため、特に生データの高レベルの抽象的な特徴など、さらなる探索を行うことができません。この目的のために、ディープラーニング (DL) は、階層型多層非線形処理ユニット、つまりフィードフォワードニューラルネットワーク (ANN) に基づく表現学習テクノロジを提案します。その基本的な考え方は、単純な事前定義されたユニット操作から複雑な概念をレンダリングすることです。人間の脳の知覚プロセスに似た非線形活性化関数を持つ階層的隠れユニットの加重組み合わせを利用して、現在の環境またはタスクで特定のユニットセットがアクティブ化され、ニューラルネットワークモデルの出力に影響を与えます。既存のワイヤレスセンサーシステムでは、信号処理ドメイン適応のための敵対的構造など、センシングプロセスに生成的敵対的ネットワークがすでに使用されています。

既存の関連調査

既存の調査のほとんどは、ワイヤレスセンシングと DL 技術を別々に調査しています。一方、既存の貢献は、さまざまなセンシングモダリティ (Wi-Fi、音響、LoRa など) と重点アプリケーション (識別、位置特定、ヘルスモニタリングなど) に分散しています。一方、既存の研究では、従来の WSS 技術から DL 技術への進化は示されていません。信号処理、アルゴリズム設計、モデルの一般化など、WSS の共通ワークフローの観点から、さらなる比較と接続が必要です。

ワイヤレスセンシングのブレークスルーは、多くの場合、Wi-Fi、音響、LoRa、可視光などのセンシングメディアとしての高品質のソース入力に依存しています。屋内測位の分野では、CSIの基礎と研究動向に焦点を当て、Wi-Fi CSIをソース入力として、データ駆動型とモデルベースのWi-Fiレーダーの比較など、デバイスフリーの人間の行動認識に焦点を当てています。人間中心のアプリケーションに重点を置くことで、生活支援アプリケーションでのより実用的な展開のために、新しい無線技術と未開拓の帯域が重視されます。

ワイヤレスセンシングに関する研究の関心が高まるにつれ、Wi-Fi、音響、RFID、UWB、Bluetooth などをカバーする屋内測位に焦点を当てた研究もいくつかあります。入力信号と測位システムの動作原理の比較を強調した人もいれば、デバイスベースとデバイスフリーの両方のWSSを含むデバイスの観点から、スマートフォンに基づく信号処理とデータ融合技術の方法を分析した人もいました。この論文に最も関連のある研究は、検出と認識、数値解析、および画像生成センシングタスクであり、その一部は、Wi-Fi の CSI ワークフローと従来の信号処理技術に焦点を当て、モデリングと学習に基づいて Wi-Fi ワイヤレスネットワークを包括的にレビューしています。いくつかは、既存の DL コンピューティングフレームワークとモバイルデータ分析を網羅し、モバイルネットワーク (5G など) と DL 主導のネットワークの問題に重点を置いた、DL ベースのモバイルおよびワイヤレスネットワーク研究の百科事典的なレビューを提供します。

ディープラーニング人工知能とワイヤレスセンシングの組み合わせに関する既存の研究は比較的限られており、既存のアプローチとは異なり、その範囲は特定の種類のソース入力やアプリケーション出力に限定されません。したがって、ディープラーニングの人工知能手法とワイヤレスセンシングを組み合わせることは、研究の見通しが良好です。

統合によって生じる問題と課題

DL 技術は WSS の可能性を実証しましたが、DL 技術を使用して対処する必要がある重要な問題と課題がまだいくつか残っています。既存の研究結果と従来の信号処理技術と DL 技術の連携を組み合わせて、スケーラビリティと一般化、プライバシーとセキュリティ、堅牢性と感度を含む概要を作成します (図 2 を参照)。

図2 DLと無線センシングを組み合わせる際の問題点と課題

1. スケーラビリティと一般化

DL 技術は、スケーラブルで一般的なパフォーマンスを実現するために、大量の高品質データに依存します。アーキテクチャがより複雑で発展するにつれて、より大きなデータ量とより高い品質が求められ、より多くのパラメータを学習して構成する必要があります。コンピュータービジョンや自然言語処理などの他の分野と比較すると、ワイヤレスセンシング自体は膨大なデータを持ちますが、市販のデバイス（5300 Wi-Fi ネットワークカード、Semtech SX1276 LoRa ノードなど）からのノイズが多くなります。センサーやネットワークデバイスによって収集されるワイヤレスデータのほとんどは、損失、冗長性、誤ったラベル付け、クラスの不均衡などの問題を抱えていることが多く、トレーニングおよび学習プロセスのスケーラビリティと一般化が困難になっています。

2. プライバシーとセキュリティ

WSS は現実世界に対して非侵襲的かつ非目立たないセンシング方法を提供しますが、日常の活動、呼吸と呼吸数の推定、人間の姿勢の推定、さらには壁の監視などのさまざまな監視アプリケーションなど、多くのプライバシーとセキュリティの問題ももたらします。この認識情報が漏洩し、悪意のあるハッカーや攻撃者に取得された場合、被害者に重大な損害を与えることになります。特に、DL テクノロジーは、類似または過去のアクティビティに基づいて AI を使用して潜在的なネットワークの脅威を自律的に識別し、対応する AI セキュリティの分野で話題になっているように、ワイヤレスネットワークのセキュリティを向上させるためにも使用できます。しかし、DL テクノロジの導入により、プライバシーとセキュリティの問題が悪化することになります。たとえば、偽の信号を使用して WSS、特にディープニューラルネットワークを騙すことができます。一方、主流のニューラルネットワークのほとんどは、元のデータにわずかなノイズを追加するだけで簡単に誤分類される可能性があることがわかっています。一方、XModal-ID によって生成された偽の CSI スペクトログラムなど、高レベルの無線信号を意図的に偽造することもできます。

3. 堅牢性と感度

認識タスクに応じて、干渉耐性と認識粒度を調整することで、WSS の堅牢性と感度のバランスをとることができます。具体的には、位置特定と追跡では、対象人物を胴体が動く単一の点としてまとめることができますが、ジェスチャ認識と姿勢推定では、体の各部と関節の動きを考慮する必要があります。また、さまざまな PCA コンポーネントを選択して、対応する体の部位を表すことができます。一方、堅牢な WSS は、LoRa の CSS のマルチパス効果に対する耐性など、干渉やノイズに対する並外れた耐性を実現するために、空間解像度を犠牲にする必要があります。一方、高感度 WSS は、イメージングや複数人の位置特定および追跡などの特別に設計されたノイズ低減手順に依存しながら、精密なセンシングのためにきめ細かい CSI と FMCW を採用しています。特定のセンシングタスクに対してバランスの取れたパフォーマンスを実現するには、センシングシステムの堅牢性と感度の両方に対応する包括的なシステムが必要です。概念的には、外乱耐性と知覚の粒度の間で最適化することができます。

今後の動向

上記の問題と課題は、人工知能無線センシングの有望な研究テーマを提供し、ユビキタス無線センシングのクロスモーダル知覚、クロスドメイン知覚、クロスフレームワーク知覚をサポートするディープラーニング人工知能を導きます。その中で、クロスモダリティセンシングは複数の入力信号の信号前処理を強化し、クロスフィールドセンシングは高度な特徴抽出のために他の分野の知識を統合し、クロスフレームワークセンシングは明確に定義されたディープラーニング人工知能フレームワークに依存して、視覚または音声処理変換からの知覚モダリティ式を最適化します。

まとめ

人工知能技術はさまざまな分野でますます利用されるようになり、大きな応用可能性を示しており、ユビキタスセンシングのための WSS には欠かせないものとなっています。本稿では、主にディープラーニングと無線センシングの背景を紹介します。既存の関連調査を通じて、ディープラーニングと無線センシングにおける既存の研究の貢献と、この2つを組み合わせることの実現可能性を理解します。両者の組み合わせによって生じる問題と課題について説明し、最後に、ユビキタス無線センシングを実現するためのディープラーニング人工知能の将来の動向について説明します。次の部分では、主に WSS の一般的な処理の包括的なワークフローを組み合わせて、信号の前処理、高度な特徴抽出、センサーモデルの形成の観点から、既存の研究と人工知能の方法をまとめ、比較します。