EM Informed Holographic Imaging via Unrolled Deep Networks

Imaginez une pièce où l'air lui-même est rempli d'ondes radio invisibles, ricochant sur les murs, les meubles et les personnes. Dans un « environnement radio intelligent » moderne, des réseaux denses d'antennes agissent non seulement comme des dispositifs de communication, mais aussi comme une infrastructure de détection partagée. Ces antennes peuvent écouter les subtiles ondulations des ondes radio causées par le mouvement des objets à travers l'espace. Contra à une caméra qui capture une photographie détaillée d'un visage ou d'une pièce, cette technologie reconstruit une carte tridimensionnelle approximative de l'emplacement des choses en se basant sur la façon dont elles diffusent ces ondes. C'est une façon de voir sans voir, créant un instantané respectueux de la vie privée d'une scène qui révèle la forme et l'emplacement d'une personne ou d'un objet sans jamais capturer d'image reconnaissable. Cette capacité est cruciale pour l'avenir de l'« Internet de tout » (Internet of Everything), où les appareils doivent comprendre leur environnement pour fonctionner de manière sûre et efficace, tout en respectant la vie privée des personnes présentes.

Le défi pour les ingénieurs a toujours été de transformer ces signaux radio dispersés en une image claire. La physique de la propagation et de la réflexion des ondes radio est bien comprise, mais résoudre les mathématiques pour rétro-concevoir une image à partir des signaux est notoirement difficile. Les méthodes traditionnelles reposent souvent sur des règles mathématiques fixes qui fonctionnent bien en théorie, mais qui peinent lorsque le monde réel devient désordonné. Si la géométrie de la pièce change, ou si les objets à l'intérieur se comportent différemment de ce qui était prévu, ces outils standards produisent des cartes floues ou inexactes. Ils sont comme un appareil photo doté d'un objectif qui ne peut pas être ajusté ; il prend une photo, mais la mise au point est souvent décalée. Des chercheurs ont tenté de remédier à cela en utilisant l'intelligence artificielle, mais de nombreuses approches existantes remplacent la physique connue des ondes radio par un programme informatique de type « boîte noire ». Bien que ces programmes puissent apprendre à partir de données, ils oublient souvent les lois de la physique, ce qui les rend peu fiables face à de nouvelles situations ou lorsqu'une petite quantité de données est disponible pour l'entraînement.

Dans une étude récente, les chercheurs Federica Fieramosca, Alexander H. Paulus, Richard Oliveira et Stefano Savazzi ont proposé une voie différente. Au lieu de rejeter la physique ou de s'appuyer sur une boîte noire, ils ont développé une méthode qui place les lois de l'électromagnétisme au cœur même du processus. Ils ont pris un solveur mathématique standard, qui est un algorithme par étapes utilisé pour reconstruire des images, et l'ont transformé en un réseau de deep learning entraînable. Considérez cela comme le fait de prendre une ligne d'assemblage rigide et manuelle et d'apprendre aux travailleurs comment ajuster leurs propres outils en fonction de ce qu'ils voient, tout en suivant le même plan fondamental. Cette technique, connue sous le nom de « déploiement d'algorithme » (algorithm unrolling), permet au système d'apprendre quelques paramètres spécifiques à partir de données limitées, comme le degré de netteté de l'image ou l'endroit où l'on peut attendre qu'une personne se tienne, sans jamais perdre la signification physique des ondes radio.

L'équipe a introduit deux améliorations spécifiques à ce processus d'apprentissage. La première, appelée Weighted LISTA, apprend au système à prêter plus d'attention à certaines parties de la pièce qu'à d'autres. Dans un bureau ou une maison typique, les gens sont susceptibles de se tenir sur le sol, et non de flotter au plafond ou d'être enfouis dans les murs. En apprenant un « a priori spatial », le système comprend qu'il doit concentrer son énergie sur le niveau du sol et la hauteur typique d'un corps humain, ignorant ainsi l'espace vide. Cela rend l'image résultante beaucoup plus propre et nette. La seconde amélioration, Low-Rank Weighted LISTA, traite un problème différent : le fait que le modèle mathématique utilisé pour décrire les ondes radio est une approximation. Dans le monde réel, les ondes se comportent de manières complexes que les équations simples ne parviennent parfois pas à saisir. Cette nouvelle méthode apprend une petite correction au modèle mathématique lui-même, agissant comme un bouton de réglage de précision qui compense les écarts entre la théorie et la réalité.

Pour tester leurs idées, les chercheurs ont mené deux types d'expériences. Premièrement, ils ont utilisé des simulations informatiques puissantes pour modéliser des ondes radio rebondissant dans une pièce contenant un objet de forme humaine. Ces simulations leur ont permis de créer des données de « vérité terrain » parfaites pour entraîner le système. Ils ont testé la nouvelle méthode contre les anciennes techniques standards et ont constaté que leur approche produisait des images nettement plus claires de la forme humaine, avec moins d'erreurs et des contours mieux définis. Le système était particulièrement efficace pour distinguer la personne de l'encombrement environnant. Deuxièmement, ils ont transposé l'expérience dans un véritable laboratoire. En utilisant une fréquence de 2,45 gigahertz, courante pour le Wi-Fi, ils ont installé une grille d'antennes de grande taille et placé un mannequin de forme humaine dans la pièce. Ils ont mesuré les ondes radio réelles diffusées par le mannequin et ont injecté ces données réelles dans leur système.

Les résultats des tests en conditions réelles ont confirmé les conclusions des simulations. Les nouvelles méthodes ont été capables de reconstruire la forme du mannequin avec une fidélité bien supérieure aux approches traditionnelles. Les méthodes standards produisaient des taches floues et indistinctes, tandis que les réseaux déroulés (unrolled networks) produisaient des contours nets et bien définis qui correspondaient étroitement à la forme réelle de l'objet. La version incluant la correction du modèle mathématique a été la plus performante de toutes, récupérant des détails structurels fins que les autres avaient manqués. Ce succès a été obtenu bien que le système ait été entraîné sur un très petit ensemble de données, démontant sa capacité à s'adapter rapidement à de nouveaux environnements sans nécessiter de quantités massives de données.

La portée de ce travail réside dans son équilibre entre flexibilité et fiabilité. En gardant les lois physiques des ondes radio fixes et en n'apprenant que les parties ajustables, le système reste interprétable et robuste. Il n'a pas besoin d'être réentraîné de zéro à chaque fois que la pièce change ; il lui suffit d'apprendre quelques nouveaux réglages pour la géométrie spécifique de l'espace. Cela en fait un outil pratique pour des applications réelles où la confidentialité est primordiale. Le système peut vous indiquer qu'une personne se tient dans une pièce et quelle est sa forme générale, sans jamais capturer un visage ou un trait identifiable. Il offre un moyen pour les environnements intelligents d'être conscients de leurs occupants et d'y réagir en conséquence, tout en maintenant un haut niveau de vie privée et en opérant efficacement sur le matériel disponible aujourd'hui. Les chercheurs ont démontré qu'en combinant le meilleur de la physique et de l'apprentissage automatique, il est possible de voir clairement à travers le bruit du spectre radio, transformant des ondes invisibles en informations utiles et exploitables.