Résumé Technique : Détection WiFi à Efficacité de Ressources via l'Exploitation de l'Âge des Échantillons

Énoncé du Problème

La détection par l'Information sur l'État du Canal (CSI) WiFi est une technique puissante pour inférer l'activité et l'identité humaine sans dispositifs portables. Cependant, les modèles de haute précision existants supposent généralement un échantillonnage CSI dense, régulier et à haut débit. Dans des scénarios pratiques, particulièrement avec la standardisation de la détection et de la communication intégrées (ISAC) dans l'IEEE 802.11bf, la détection doit coexister avec la communication de données. Cette coexistence impose un budget de détection moyen strict, limitant la fraction de créneaux temporels disponibles pour l'acquisition de mesures CSI fraîches. De plus, la perte de paquets et les irrégularités induites par le trafic entraînent des intervalles d'échantillonnage non uniformes.

Les approches actuelles pour le CSI creux ou irrégulier se divisent généralement en trois catégories :

1. Méthodes de reconstruction : Tentent de récupérer un CSI dense à partir de données creuses avant l'inférence, ce qui introduit une complexité computationnelle et des erreurs de reconstruction potentielles.
2. Méthodes de sélection de ressources : Élague les sous-porteuses ou les antennes, mais ignore souvent les taux d'échantillonnage temporels.
3. Modèles d'attention sensibles au temps (ex: UniFi) : Intègrent des horodatages absolus et interpolent les données sur une grille uniforme. Cependant, ces méthodes n'évaluent pas explicitement la précision en fonction d'un budget de détection moyen, ni n'utilisent l'Âge de l'Information (AoI) — le temps écoulé depuis la capture d'un échantillon — comme une caractéristique entraînable.

Par conséquent, il existe un besoin pour un cadre de détection qui tienne explicitement compte de la fraîcheur des échantillons (AoI) sous des contraintes de ressources strictes sans engendrer de surcharge computationnelle significative.

Méthodologie

Modèle de Système et Contraintes d'Échantillonnage

Les auteurs formulent le problème dans le cadre d'une session de mesure de $T$ créneaux discrets. Un budget de détection moyen $\alpha \in (0, 1]$ contraint la fraction de créneaux où des échantillons CSI sont acquis. Deux politiques d'échantillonnage fixes sont considérées pour modéliser différents régimes pratiques :

• Politique Déterministe (Accumulée/Bresenham) : Répartit $M$ créneaux détectés de manière quasi uniforme sur la session, modélisant une détection dédiée planifiée.
• Politique Stochastique (Bernoulli) : Échantillonne les créneaux de manière indépendante avec une probabilité $\alpha$, modélisant la perte de paquets aléatoire et les irrégularités induites par le trafic.

L'« âge » du $m$-ième trame détectée, $\delta(t_m)$, est défini comme le temps écoulé depuis sa capture par rapport à l'instant de décision ($T-1$) : $\delta(t_m) = (T-1) - t_m$. Cette métrique est traitée comme un signal latéral à coût nul disponible au niveau de la couche MAC.

Cadre Proposé : Détection WiFi Sensible à l'Âge

Les auteurs proposent un cadre à faible coût, sensible à l'âge, qui intègre explicitement la fraîcheur des échantillons dans l'entraînement du modèle. L'architecture se compose de :

1. Observation Compactée : Au lieu de transporter des trames obsolètes à travers les créneaux non détectés, l'entrée est un ensemble compact de $M$ trames détectées, chacune étiquetée avec son âge : $X = \{(X(t_m), \delta(t_m))\}_{m=1}^M$.
2. Encodeur CSI : Un réseau de neurones convolutifs (CNN) qui traite le tenseur de CSI compacté (antennes $\times$ sous-porteuses $\times$ trames) pour produire un plongement de contenu de mouvement ($e_{csi}$). Un pooling moyen adaptatif garantit que le modèle accepte un nombre variable de trames ($M$) tout en produisant un plongement de taille fixe.
3. Encodeur d'Âge : Une branche légère qui mappe les valeurs d'âge scalaires $\delta(t_m)$ vers un plongement de fiabilité ($e_a \in (0, 1)^d$). Ceci est réalisé via une couche linéaire partagée, une normalisation par lots (batch normalization) et une activation sigmoïde, suivis d'une moyenne sur la session. La sortie représente un poids de fiabilité par dimension basé sur l'obsolescence.
4. Fusion Multiplicative : Les plongements CSI et d'âge sont fusionnés via un produit élément par élément (Hadamard) : $e_f = e_{csi} \odot e_a$. Cette conception traite l'âge comme une « porte dépendante de la fraîcheur », mettant à l'échelle les caractéristiques CSI en fonction de leur fiabilité plutôt que de traiter l'âge comme une modalité indépendante.
5. Classificateur : Un bloc post-fusion (ReLU, LayerNorm, Dropout) mappe le plongement fusionné vers des scores de classe.

Le cadre ajoute des paramètres négligeables (seulement $4d$ scalaires supplémentaires pour $d=128$) et maintient une complexité computationnelle comparable à un modèle standard utilisant uniquement le CSI.

Contributions Clés

• Formulation du Problème : Le papier formalise la détection CSI WiFi sous une contrainte de budget de détection moyen, modélisant explicitement tant la détection creuse planifiée que la perte de paquets aléatoire.
• Architecture Sensible à l'Âge : Il introduit un nouveau cadre à faible surcharge, qui encode l'Âge de l'Information (AoI) des échantillons CSI et le fusionne multiplicativement avec les caractéristiques CSI. Cela permet d'atténuer dynamiquement les caractéristiques provenant d'échantillons obsolètes.
• Implémentation à Coût Nul : L'approche utilise des informations de synchronisation déjà disponibles au niveau de la couche MAC, ne nécessitant aucun signal supplémentaire ou étape de reconstruction complexe.
• Évaluation Complète : La méthode est évaluée sur deux tâches distinctes (Reconnaissance d'Activité Humaine et Identification de Personne) en utilisant les jeux de données NTU-Fi sous des régimes d'échantillonnage déterministes et stochastiques.

Résultats Expérimentaux

Le modèle proposé a été évalué sur les jeux de données NTU-Fi Human Activity Recognition (HAR) et NTU-Fi HumanID. Il a été comparé à :

1. Une référence CSI-only (CSI uniquement).
2. Le modèle d'attention sensible au temps de pointe UniFi (mTAN).
3. Une référence Last-M (utilisant uniquement les $M$ trames les plus récentes).

Principales Conclusions :

• Performance Supérieure : Le modèle sensible à l'âge a systématiquement surpassé la référence CSI-only et le benchmark UniFi à travers tous les régimes d'échantillonnage et niveaux de budget.
• Gains à Faible Budget : L'amélioration de la performance était la plus significative sous des budgets de détection stricts. Pour l'Identification de Personne, le modèle proposé a obtenu une amélioration allant jusqu'à 10 points de pourcentage par rapport à la méthode UniFi. Sous un échantillonnage accumulé à $\alpha=0,01$, le modèle sensible à l'âge a conservé une précision de 80,7 %, tandis que la référence CSI-only est tombée à 72,7 % et UniFi à 68,6 %.
• Couverture Temporelle vs Récence : Les expériences comparant l'échantillonnage « Accumulé » (réparti dans le temps) à l'approche « Last-M » (concentré à la fin) ont révélé que couvrir l'ensemble de la session est plus critique que d'utiliser simplement les trames récentes. À nombre de trames égal, l'approche accumulée surpasse significativement l'approche Last-M.
• Sensibilité de la Tâche : Les bénéfices de la sensibilité à l'âge étaient plus prononcés dans l'Identification de Personne (une tâche temporellement sensible nécessitant la résolution de motifs de marche) que dans la Reconnaissance d'Activité.

Signification et Revendications

Le papier affirme qu'une inférence sensible à la fraîcheur est une approche efficace et pratique pour maintenir la précision de la détection lorsque la disponibilité du CSI est limitée ou irrégulière. En modélisant explicitement l'« âge » des échantillons, le cadre proposé s'adapte aux contraintes de ressources sans la latence ou la complexité de la reconstruction de données.

Les auteurs soulignent que leur approche est particulièrement précieuse dans le contexte de l'IEEE 802.11bf, où la détection et la communication doivent partager le support. La capacité de maintenir une haute précision même à de très bas budgets de détection (ex: $\alpha=0,01$) démontre que le mécanisme proposé atténue efficacement la dégradation causée par l'échantillonnage creux et irrégulier, offrant une solution efficace en termes de ressources pour les déploiements ISAC réels.