Resumen Técnico: RePos – Factorización de Pose Relativa-a-Absoluta para la Estimación de la Pose Humana 3D Basada en WiFi entre Diferentes Entornos

1. Planteamiento del Problema

El artículo aborda el desafío crítico de la generalización entre entornos en la estimación de la pose humana 3D sin dispositivos, utilizando la Información de Estado del Canal (CSI) de WiFi comercial. Si bien la detección por WiFi ofrece alternativas que preservan la privacidad y son robustas a la iluminación en comparación con los sistemas basados en cámaras, los modelos existentes tienen dificultades para desplegarse en entornos no vistos sin una calibración por entorno.

La dificultad central reside en la naturaleza del CSI: a diferencia de las imágenes, el CSI carece de correspondencia espacial localizada con las partes del cuerpo y está fuertemente moldeado por la propagación de trayectos múltiples (multipath) específica de la disposición de la habitación, los muebles y la geometría transmisor-receptor. En consecuencia, los modelos que regresan poses absolutas (coordenadas de las articulaciones en el espacio de la habitación) tienden a entrelazar la estructura corporal con pistas de posición específicas del entorno. Este "sobreajuste de coordenadas" permite que los modelos alcancen una alta precisión dentro de un único entorno de entrenamiento, pero provoca una degradación severa del rendimiento cuando se despliegan en habitaciones no vistas, ya que los sesgos de posición aprendidos no se transfieren.

2. Metodología: Marco de Trabajo RePos

Los autores proponen RePos (Pose Relativa-a-Absoluta), un marco factorizado que desacopla la predicción de la estructura corporal de la ubicación absoluta. En lugar de aprender un único mapeo de CSI a coordenadas absolutas, RePos divide la tarea en dos ramas entrenadas de forma independiente que se recombinan en la salida.

A. Factorización de la Pose

La pose absoluta $J_{abs}$ se descompone en:
$$J_{abs} = J_{rel} + r$$
Donde $J_{rel}$ es la pose relativa a la raíz (configuración corporal independiente de la traslación global) y $r$ es la posición de la raíz (ubicación de la pelvis en la habitación).

• Rama de Estructura: Entrenada únicamente en $J_{rel}$, sin recibir supervisión de posición absoluta. Esto evita que las pistas de posición específicas del entorno se filtren en la representación estructural.
• Rama de Localización: Entrenada para predecir $r$ a partir de la amplitud del CSI, actuando como un sesgo espacial aprendible.

B. Etapa 1: Decodificador de Pose Estructurada (Rama de Estructura)

Esta etapa estima la pose relativa a la raíz $J_{rel}$ mediante una arquitectura específica de la modalidad diseñada para imponer una estructura anatómica al CSI bruto:

1. Codificador de CSI: Procesa la amplitud del CSI en características codificadas utilizando una CNN y un Transformer.
2. Consultas de Latencia de Partes del Cuerpo (BP-LQs): Introduce una representación intermedia estructurada. Los tokens latentes aprendibles se agrupan en seis regiones anatómicas (cabeza, torso, brazos izquierdo/derecho, piernas izquierda/derecha). Estos tokens actúan como consultas para atender a las características del CSI, creando un cuello de botella que organiza la información por parte del cuerpo en lugar de por señal bruta.
3. Atención de Grafo de Esqueleto (SGA): Un módulo de atención de grafos que refina las BP-LQs. Utiliza una matriz de adyacencia binaria para imponer restricciones de conectividad esquelética (por ejemplo, el torso se conecta a las extremidades) durante el refinamiento de características, asegurando que la representación intermedia respete la topología anatómica antes de la decodificación de las articulaciones.
4. Decodificador de Parte-a-Articulación: Agrega las características a nivel de parte y las decodifica en 17 coordenadas de articulación relativas a la raíz.

C. Etapa 2: Red de Sesgo Espacial Basada en Amplitud (ASPN)

Esta etapa estima la posición de la raíz $r$ utilizando únicamente la amplitud del CSI (ignorando la fase, a menudo poco fiable, en dispositivos comerciales):

1. Código de Modulación Latente: Una CNN mapea la amplitud del CSI a un código latente aprendible, el cual modula la amplitud para sintetizar una señal compleja.
2. Descomposición Espacial Diferenciable: La señal sintetizada se somete a una descomposición motivada por la física pero aprendible, que involucra el conformado de haces solo de recepción (espectro angular) y la Transformada Rápida de Fourier (IFFT) para generar un mapa de calor espacial. Esto crea una representación espacial optimizada para la localización sin requerir una calibración explícita de la fase física.
3. Regresor de Raíz: Una CNN y un MLP predicen la posición de la raíz 3D a partir del mapa de calor espacial.

D. Estrategia de Entrenamiento

El modelo se entrena en dos etapas secuenciales:

1. Etapa 1: Optimiza todo el Decodificador de Pose Estructurada sobre objetivos relativos a la raíz con un regularizador de longitud de extremidades.
2. Etapa 2: Congela la Etapa 1 y optimiza únicamente los parámetros de la ASPN utilizando poses absolutas. Esto asegura que la rama de estructura no sea corrompida por los gradientes de posición.

E. RePos-D (Variante de Dominio Interno)

Para el despliegue en un único entorno donde las pistas de posición son consistentes, los autores introducen RePos-D, una variante directa que utiliza el mismo esqueleto de la Etapa 1 pero regresa la pose absoluta de extremo a extremo, omitiendo la factorización y la ASPN.

3. Contribuciones Clave

1. Marco Factorizado: RePos aborda el sobreajuste de coordenadas separando la estimación de la pose relativa a la raíz de la localización de la raíz, asegurando que la rama de estructura aprenda representaciones estables al entorno.
2. Consultas de Latencia de Partes del Cuerpo (BP-LQs): Una representación de tokens latentes agrupados anatómicamente que impone una estructura esquelética antes de la decodificación de articulaciones, refinada por la Atención de Grafo de Esqueleto (SGA).
3. Localización Sin Calibración: El diseño de la ASPN, que estima la posición de la raíz a partir de la amplitud del CSI mediante una descomposición espacial diferenciable, evitando la necesidad de fase calibrada o estimación física de AoA/ToF.
4. Rendimiento de Vanguardia: Demostró un rendimiento superior tanto en entornos de diferentes localizaciones como en dominios internos.

4. Resultados Experimentales

El método fue evaluado en el conjunto de datos MM-Fi (entre entornos) y Person-in-WiFi-3D (dominio interno).

• Entre Entornos (MM-Fi): Bajo el protocolo estricto (entrenar en entornos E01–E03, probar en el no visto E04), RePos redujo el Error de Posición de Articulación Medio (MPJPE) en un 10–21% en comparación con los métodos existentes basados solo en WiFi (por ejemplo, DT-Pose, MetaFi++).
  • RePos logró un MPJPE de 254.4–296.1 mm a través de los protocolos de actividad.
  • Crucialmente, el Error de Posición de la Raíz se redujo significativamente (por ejemplo, 203 mm frente a >260 mm para las líneas base), mientras que el PA-MPJPE (alineado con Procrustes, que mide la forma corporal) se mantuvo comparable a las líneas base. Esto confirma que la mejora proviene de un mejor manejo de la localización más que de un cambio fundamental en la capacidad de reconstrucción de la estructura.
• Dominio Interno (Person-in-WiFi-3D): La variante directa RePos-D logró un MPJPE de 86.9 mm, una mejora del 3.4% sobre el método anterior más avanzado (DT-Pose con 90.0 mm), demostizando que el esqueleto es altamente efectivo cuando el entorno es fijo.
• Estudios de Ablación:
  • Eliminar la factorización (usando RePos-D en entornos de diferentes localizaciones) causó que el rendimiento cayera a los niveles de la línea base, confirmando la necesidad de separar la estructura y la posición.
  • Eliminar las BP-LQs o la SGA degradó tanto la estructura como la precisión de la raíz, validando la importancia del agrupamiento anatómico.
  • El análisis de error mostró que las dos ramas no causan errores en cascada; la rama de localización es robusta al ruido en la rama de estructura.

5. Significado y Reivindicaciones

El artículo sostiene que el obstáculo principal para el despliegue de la detección por WiFi no es la incapacidad de reconstruir la forma corporal, sino el entrelazamiento de la estructura corporal con las pistas de posición específicas del entorno.

• Sesgo Arquitectónico sobre Invariancia de Características: Los autores enfatizan que RePos no tiene éxito mediante el aprendizaje de "características invariantes al entorno". El análisis muestra que las representaciones internas (incluidas las de estructura) siguen siendo fuertemente separables por entorno. En su lugar, el éxito proviene de un sesgo inductivo arquitectónico que enruta la cantidad dependiente del entorno (posición) hacia una rama separada, permitiendo que la rama de estructura sea supervisada únicamente por el objetivo estable al entorno (pose relativa).
• Despliegue Práctico: El marco permite que un modelo entrenado en un conjunto de entornos de origen se ejecute en un entorno objetivo no visto sin calibración ni ajuste fino.
• Alcance y Limitaciones: Los autores señalan modestamente que, aunque RePos reduce significamente la brecha entre entornos, la rama de localización aún conlleva dependencia del entorno (el error de la raíz permanece en ~260 mm). El método se presenta como un localizador grueso y sin calibración adecuado para aplicaciones como la detección de caídas y el monitoreo de salud, pero puede requerir mejoras para interacciones de AR/VR más finas. Los autores también reconocen las limitaciones respecto a las restricciones de una sola persona y la necesidad de trabajos futuros sobre datos de libre movimiento y escenarios de múltiples personas.

En resumen, RePos proporciona un esqueleto unificado que soporta tanto un despliegue de alto rendimiento en el dominio interno (vía RePos-D) como un despliegue robusto y sin calibración entre diferentes entornos (vía RePos), abordando eficazmente el modo de fallo de sobreajuste de coordenadas inherente a los enfoques actuales de detección por WiFi.