Generative Latent Alignment for Interpretable Radar Based Occupancy Detection in Ambient Assisted Living

Résumé Technique : Alignement Latent Génératif pour la Détection d'Occupation par Radar Interprétable

Problématique
Dans les environnements de Vie Autonome Assistée (AAL - Ambient Assisted Living), la surveillance continue de la présence humaine est cruciale pour la sécurité et l'autonomie. Bien que les caméras soient efficaces pour la reconnaissance d'activités, elles soulèvent d'importantes préoccupations concernant la vie privée. Le radar à ondes millimétriques (mmWave) offre une alternative respectueuse de la vie privée, robuste à l'éclairage et aux occlusions. Cependant, les modèles d'apprentissage profond déployés pour la détection de présence basée sur le radar manquent souvent d'interprétabilité. Dans les contextes de santé critiques pour la sécurité, cette nature de « boîte noire » entrave la confiance des cliniciens et la validation des modèles. Les méthodes existantes d'IA explicable (XAI) pour la détection opèrent souvent de manière post-hoc sur des modèles discriminatifs ou échouent à aligner les données de capteurs avec des concepts compréhensibles par l'humain, laissant un fossé entre les signaux radar abstraits et le raisonnement sémantique.

Méthodologie
Les auteurs proposent le cadre de travail Generative Latent Alignment (GLA), un auto-encodeur variationnel (VAE) radar sémantique conçu pour apprendre une représentation latente de faible dimension des cartes de chaleur de distance-angle (RA) qui soit à la fois générative et sémantiquement alignée avec des concepts humains. L'architecture se compose de trois composantes principales :

1. Noyau de base du VAE Radar Sémantique :

   • Entrée : Cartes de caractéristiques d'intensité RA 2D (224×224, 3 canaux) dérivées d'échantillons ADC mmWave bruts via un traitement FMCW standard (FFT Distance/Doppler et beamforming Capon/MVDR).
   • Encodeur : Un réseau convolutionnel léger avec quatre blocs convolutionnels à pas (strided) réduit la résolution spatiale de 224 à 14, suivi de têtes linéaires pour produire la moyenne ($\mu$) et la log-variance ($\log \sigma^2$) d'une distribution gaussienne diagonale.
   • Décodeur : Une pile de convolutions transposées suréchantillonne le vecteur latent $z$ pour reconstruire la carte de chaleur RA d'entrée.
   • Objectif d'entraînement : Le modèle maximise la borne inférieure de l'évidence (ELBO), comprenant une perte de reconstruction par entropie croisée binaire ($L_{recon}$) pour préserver la structure RA fine et un terme de divergence KL ($L_{KLD}$) pour imposer une variété (manifold) latente lisse.

2. Alignement Latent par Ancrage Textuel :

   • Pour combler le fossé entre les données de capteurs et les concepts humains, la moyenne latente $\mu$ est projetée via une couche linéaire apprenable $W$ et alignée avec des plongements (embeddings) provenant d'un encodeur de texte CLIP gelé.
   • Deux invites textuelles spécifiques servent d'ancres sémantiques : « radar heatmap of an empty room without any person » (carte de chaleur radar d'une pièce vide sans aucune personne) et « radar heatmap of a person present in the room » (carte de chaleur radar d'une personne présente dans la pièce).
   • Une perte d'alignement ($L_{align}$), calculée comme l'entropie croisée des similitudes cosinus pondérées par la température entre le projeté latent et les ancres textuelles, encourage l'espace latent à regrouper les échantillons près de leurs concepts sémantiques correspondants.

3. Explicabilité de l'Espace Latent (Latent Grad-CAM) :

   • Au lieu d'appliquer Grad-CAM à la couche de classification finale, la méthode adapte la technique au troisième bloc convolutionnel de l'encodeur.
   • Les gradients du score de classe par rapport aux cartes de caractéristiques sont soumis à une moyenne globale pondérée (global average pooling) pour dériver des poids de canaux. Ces poids sont appliqués aux cartes de caractéristiques pour génire une carte de chaleur ($L_{CAM}$).
   • Cette carte est suréchantillonnée à la résolution d'entrée et moyennée sur des perturbations gaussiennes pour produire une visualisation stable des régions spatiales soutenant la décision de présence.

Résultats Clés
Le cadre a été évalué sur un ensemble de données radar mmWave distinguant les scénarios de « pièce vide » et de « personne présente ».

• Interprétabilité Qualitative : Pour les échantillons de type « personne présente », le Latent Grad-CAM produit des taches compactes et nettement localisées qui coïncident avec les retours RA forts (la réflexion de la personne). À l'inverse, les échantillons de « pièce vide » produisent des preuves diffuses ou absentes, cohérentes avec le bruit de fond et les structures multipar path statiques.
• Étude d'Ablation : Les auteurs ont mené une ablation utilisant des invites textuelles non liées (ex: « clouds in the sky » / nuages dans le ciel). Sous ces conditions, bien que le VAE puisse encore reconstruire des motifs RA grossiers, les explications Grad-CAM se sont dégradées de manière significative : la classe « personne présente » produisait des cartes uniformes et non saillantes, et la classe « pièce vide » ne parvenait pas à correspondre aux structures RA évidentes. Cela confirme que les ancres sémantiques spécifiques au radar sont essentielles pour générer des cartes de preuves localisées et significatives.

Signification et Revendications
L'article affirme que le cadre GLA parvient à combler le fossé de représentation entre les signaux radar abstraits et les concepts compréhensibles par l'humain sans nécessiter de têtes de décodeurs complexes ou de pipelines de génération de grands modèles de langage. En couplant un VAE léger à des ancres CLIP gelées, la méthode produit des cartes de preuves conditionnelles à la classe qui sont :

1. Ancrées dans la structure RA : Les visualisations s'alignent avec la géométrie physique des retours radar.
2. Liées sémantiquement : Les explications sont directement liées à des concepts spécifiques au domaine (« vide » vs « personne »).
3. Interprétables : L'utilisation de Grad-CAM dans l'espace latent permet aux opérateurs de visualiser pourquoi une décision a été prise, répondant ainsi au déficit de transparence dans les systèmes AAL critiques pour la sécurité.

Les auteurs positionnent ce travail comme une étape vers une IA de confiance dans le secteur de la santé, démontant que l'alignement sémantique peut améliorer l'explicabilité des modèles radar génératifs tout en maintenant une architecture légère adaptée au déploiement.