EM Informed Holographic Imaging via Unrolled Deep Networks

Stellen Sie sich einen Raum vor, in dem die Luft selbst mit unsichtbaren Radiowellen gefüllt ist, die von Wänden, Möbeln und Menschen abprallen. In einem modernen „Smart Radio Environment“ fungieren dichte Antennenarrays nicht nur als Kommunikationsgeräte, sondern als gemeinsame Sensorinfrastruktur. Diese Antennen können den subtilen Kräuselungen der Radiowellen zuhören, die durch sich bewegende Objekte im Raum verursacht werden. Im Gegensatz zu einer Kamera, die ein detailliertes Foto eines Gesichts oder eines Raumes aufnimmt, rekonstruiert diese Technologie eine grobe, dreidimensionale Karte darüber, wo sich Dinge befinden, basierend darauf, wie sie diese Wellen streuen. Es ist eine Art des Sehens ohne zu sehen, die einen datenschutzfreundlichen Schnappschuss einer Szene erstellt, der die Form und den Ort einer Person oder eines Objekts offenbart, ohne jem ein erkennbares Bild aufzunehmen. Diese Fähigkeit ist entscheidend für die Zukunft des „Internet der alles vernetzten Dinge“ (Internet of Everything), bei dem Geräte ihre Umgebung verstehen müssen, um sicher und effizient zu funktionieren, während sie gleichzeitig die Privatsphäre der Menschen im Raum respektieren.

Die Herausforderung für Ingenieure bestand schon immer darin, diese gestreuten Radiosignale in ein klares Bild zu verwandeln. Die Physik der Art und Weise, wie Radiowellen reisen und abprallen, ist gut verstanden, aber das Lösen der Mathematik, um ein Bild aus den Signalen zu rekonstruieren, ist notorisch schwierig. Traditionelle Methoden verlassen sich oft auf feste mathematische Regeln, die in der Theorie gut funktionieren, aber Schwierigkeiten bekommen, wenn die reale Welt chaotisch wird. Wenn sich die Geometrie des Raums ändert oder wenn sich die Objekte im Inneren anders als erwartet verhalten, erzeugen diese Standardwerkzeuge verschwommene oder ungenaue Karten. Sie sind wie eine Kamera mit einem Objektiv, das nicht eingestellt werden kann; sie macht ein Foto, aber der Fokus ist oft daneben. Forscher haben versucht, dies durch künstliche Intelligenz zu beheben, aber viele bestehende Ansätze ersetzen die bekannte Physik der Radiowellen durch ein Computerprogramm als „Black Box“. Während diese Programme aus Daten lernen können, vergessen sie oft die Gesetze der Physik, was sie unzuverlässig macht, wenn sie mit neuen Situationen konfrontiert werden oder nur über eine geringe Menge an Trainingsdaten verfügen.

In einer aktuellen Studie schlugen die Forscher Federica Fieramosca, Alexander H. Paulus, Richard Oliveira und Stefano Savazzi einen anderen Weg vor. Anstatt die Physik zu verwerfen oder sich auf eine Black Box zu verlassen, entwickelten sie eine Methode, die die Gesetze des Elektromagnetismus in das Herz des Prozesses stellt. Sie nahmen einen Standard-Mathematik-Solver – einen schrittweisen Algorithmus, der zur Bildrekonstruktion verwendet wird – und transformierten ihn in ein trainierbares Deep-Learning-Netzwerk. Dies ist vergleichbar damit, ein starres, manuelles Fließband zu nehmen und den Arbeitern beizubringen, wie sie ihre Werkzeuge selbstständig anpassen können, basierend auf dem, was sie sehen, während sie dennoch demselben grundlegenden Entwurf folgen. Diese Technik, bekannt als „Algorithm Unrolling“, ermöglicht es dem System, einige spezifische Parameter aus begrenzten Daten zu lernen – wie etwa wie stark das Bild geschärft werden soll oder wo man eine Person erwarten kann –, ohne jemals die physikalische Bedeutung der Radiowellen zu verlieren.

Das Team führte zwei spezifische Verbesserungen in diesen Lernprozess ein. Die erste, genannt „Weighted LISTA“, lehrt das System, bestimmten Teilen des Raums mehr Aufmerksamkeit zu schenken als anderen. In einem typischen Büro oder Zuhause halten sich Menschen wahrscheinlich auf dem Boden auf und schweben nicht an der Decke oder sind in die Wände eingegraben. Durch das Erlernen eines „räumlichen Priors“ versteht das System, dass es seine Energie auf die Bodenebene und die typische Körperhöhe konzentrieren sollte, indem es leeren Raum effektiv ignoriert. Dies macht das resultierende Bild viel sauberer und schärfer. Die zweite Verbesserung, „Low-Rank Weighted LISTA“, adressiert ein anderes Problem: die Tatsache, dass das mathematische Modell, das Radiowellen beschreibt, eine Annäherung ist. In der realen Welt verhalten sich Wellen komplexer, als es einfache Gleichungen manchmal erfassen können. Diese neue Methode lernt eine kleine Korrektur des mathematischen Modells selbst und fungiert wie ein Feinabstimmknopf, der die Lücken zwischen Theorie und Realität kompensiert.

Um ihre Ideen zu testen, führten die Forscher zwei Arten von Experimenten durch. Zuerit nutzten sie leistungsstarke Computersimulationen, um Radiowellen zu modellieren, die in einem Raum mit einem menschenähnlichen Objekt hin und her springen. Diese Simulationen ermöglichten es ihnen, perfekte „Ground Truth“-Daten (Referenzdaten) zu erstellen, um das System zu trainieren. Sie testeten die neue Methode gegen ältere, Standardtechniken und fanden heraus, dass ihr Ansatz signifikant klarere Bilder der menschlichen Form produzierte, mit weniger Fehlern und besser definierten Kanten. Das System war besonders gut darin, die Person vom Hintergrundrauschen zu unterscheiden. Zweitens verlegten sie das Experiment in ein echtes Labor. Unter Verwendung einer Frequenz von 2,45 GHz, die bei WLAN üblich ist, stellten sie ein großes Gitter aus Antennen auf und platzierten eine menschenähnliche Mannequin im Raum. Sie maßen die tatsächlichen Radiowellen, die von der Mannequin gestreut wurden, und speisten diese realen Daten in ihr System ein.

Die Ergebnisse aus den realen Tests bestätigten die Erkenntnisse aus den Simulationen. Die neuen Methoden waren in der Lage, die Form der Mannequin mit einer viel höheren Treue zu rekonstruieren als die traditionellen Ansätze. Die Standardmethoden erzeugten verschwommene, undeutliche Klumpen, während die neuen unrolled Networks scharfe, gut definierte Umrisse erzeugten, die der tatsächlichen Form des Objekts eng entsprachen. Die Version, die die Korrektur für das mathematische Modell enthielt, schnitt am besten ab und stellte feine strukturelle Details wieder her, die andere Methoden übersehen hatten. Dieser Erfolg wurde selbst erzielt, obwohl das System mit einem sehr kleinen Datensatz trainiert wurde, was zeigt, dass es sich schnell an neue Umgebungen anpassen kann, ohne riesige Mengen an Daten zu benötigen.

Die Bedeutung dieser Arbeit liegt in ihrer Balance zwischen Flexibilität und Zuverlässigkeit. Indem sie die physikalischen Gesetze der Radiowellen fest halten und nur die anpassbaren Teile lernen lassen, bleibt das System interpretierbar und robust. Es muss nicht jedes Mal von Grund auf neu trainiert werden, wenn sich der Raum ändert; es muss lediglich einige neue Einstellungen für die spezifische Geometrie des Raums erlernen. Dies macht es zu einem praktischen Werkzeug für reale Anwendungen, bei denen der Datenschutz oberste Priorität hat. Das System kann Ihnen sagen, dass eine Person in einem Raum steht und wie ihre allgemeine Form aussieht, ohne jemals ein Gesicht oder ein erkennbares Merkmal zu erfassen. Es bietet eine Möglichkeit für intelligente Umgebungen, sich ihrer Bewohner bewusst zu sein und entsprechend zu reagieren, während sie gleichzeitig ein hohes Maß an Privatsphäre wahren und effizient auf der heute verfügbaren Hardware arbeiten. Die Forscher haben gezeigt, dass es durch die Kombination der besten Aspekte von Physik und maschinellem Lernen möglich ist, klar durch das Rauschen des Radiospektrums zu sehen und unsichtbare Wellen in nützliche, handlungsrelevante Informationen zu verwandeln.