⚡ electrical engineering

Human Walking Sensing and Pose Estimation in the 6 GHz Band Using Amplitude and Phase CSI

यह शोध पत्र एक डीप लर्निंग-आधारित पाइपलाइन प्रस्तुत करता है जो एक मल्टीस्टेटिक नेटवर्क में 6 GHz OFDM संकेतों से आयाम (amplitude) और चरण (phase) दोनों चैनल स्टेट इंफॉर्मेशन का लाभ उठाकर विश्वसनीय मानव मुद्रा अनुमान (human pose estimation) प्राप्त करता है, यह प्रदर्शित करते हुए कि DT-Pose उच्चतम सटीकता प्रदान करता है और चरण डेटा आयाम के पूरक फीचर के रूप में सबसे अच्छा कार्य करता है।

मूल लेखक: Zhaorui Yin, Mattia Brambilla, Monica Nicoli

प्रकाशित 2026-06-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhaorui Yin, Mattia Brambilla, Monica Nicoli

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप तीन दोस्तों के साथ एक कमरे में हैं जिनके पास वॉकी-टॉकी हैं। आप कमरे में इधर-उधर टहल रहे हैं। भले ही आपके पास कोई कैमरा न हो या आपने कोई स्मार्टवॉच न पहनी हो, फिर भी आपके दोस्त यह पता लगा सकते हैं कि आपके हाथ और पैर बिल्कुल कैसे हिल रहे हैं, बस रेडियो संकेतों के उछलने-कूदने के तरीके को सुनकर।

यह पेपर कंप्यूटर को ठीक यही करने के लिए सिखाने के बारे में है, लेकिन बहुत अधिक उन्नत तकनीक का उपयोग करके। यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल उपमाओं (analogies) का उपयोग करते हुए।

सेटअप: "रेडियो गूँज" वाला कमरा

शोधकर्ताओं ने एक छोटा, 3x3 मीटर का कमरा (एक बड़े क्लोजेट के आकार का) तैयार किया। इसके अंदर, उन्होंने तीन विशेष रेडियो उपकरण (जिन्हें USRPs कहा जाता है) रखे, जो इकोलोकेशन (echolocation) विशेषज्ञों की एक टीम की तरह काम करते हैं।

सिग्नल: एक साधारण "बीप" भेजने के बजाय, ये उपकरण 6 GHz बैंड में एक जटिल, उच्च-गति वाली रेडियो तरंगों की धारा (जिसे OFDM कहा जाता है) भेजते हैं। इसे एक अत्यंत विस्तृत, अदृश्य कोहरे के रूप में समझें जो कमरे को भर देता है।
व्यवधान (Disturbance): जब कोई इंसान इस कोहरे के बीच से गुजरता है, तो उसका शरीर तरंगों को रोकता है, उन्हें उछालता है और उन्हें मोड़ देता है। ठीक वैसे ही जैसे तालाब में फेंके गए पत्थर पानी की लहरों को बदल देते हैं, एक चलता हुआ व्यक्ति रेडियो तरंगों को बदल देता है।
डेटा: उपकरण इन बदली हुई तरंगों को पकड़ लेते हैं। वे दो चीजें मापते हैं:
1. एम्प्लीट्यूड (Amplitude): सिग्नल कितना मजबूत है (जैसे गूँज की आवाज़ कितनी तेज़ है)।
2. फेज़ (Phase): तरंग के चक्र का सटीक समय (जैसे लहर के शिखर की सटीक स्थिति)।

चुनौती: "शोर" को कंकाल में बदलना

कच्चा डेटा (raw data) संख्याओं के एक अराजक ढेर जैसा दिखता है। लक्ष्य इस ढेर को एक स्टिक-फिगर कंकाल (stick-figure skeleton) में बदलना है जो दिखाता है कि कोहनियाँ, घुटने और कंधे कहाँ हैं।

इसे करने के लिए, शोधकर्ताओं ने डीप लर्निंग (AI) का उपयोग किया। उन्होंने चार मौजूदा "दिमाग" वाले मॉडलों (DT-Pose, MetaFi++, HPE-Li, और VST-Pose नाम से) को लिया, जिन्हें मूल रूप से वाई-फाई संकेतों को पढ़ने के लिए प्रशिक्षित किया गया था, और उन्हें इन नए 6 GHz रेडियो संकेतों को पढ़ने के लिए फिर से प्रशिक्षित किया।

"2-इन-1" ट्रिक:
अधिकांश पिछले सिस्टम केवल सिग्नल की "तेजी" (amplitude) को देखते थे। इस टीम ने तय किया कि वे AI को आवाज़ (amplitude) और समय (phase) दोनों को एक साथ खिलाएंगे। उन्होंने रेडियो डेटा को एक 3D पहेली की तरह माना, और AI को हल करने के लिए जानकारी का एक विशाल ब्लॉक (9 रेडियो लिंक × 1,920 फ्रीक्वेंसी चैनल × 100 टाइम स्नैपशॉट्स) दिया।

परिणाम: उन्होंने क्या पाया?

उन्होंने सिस्टम का परीक्षण करने के लिए एक व्यक्ति को कमरे में टहलने के लिए कहा और AI के अनुमान की तुलना एक वास्तविक, हाई-टेक मोशन-कैप्चर सूट ("ग्राउंड ट्रुथ") से की।

यह काम करता है: AI ने सफलतापूर्वक एक मानव कंकाल को पुनर्गठित किया। वह बता सका कि जोड़ कहाँ थे, भले ही व्यक्ति बस टहल रहा था।
"धुंधली" वास्तविकता: AI मुद्रा के आकार (pose) को समझने में अच्छा है (जैसे, "हाथ मुड़ा हुआ है"), लेकिन यह कमरे में सटीक स्थान जानने में एकदम सटीक नहीं है। कंकाल वास्तविक व्यक्ति से 50 सेमी (लगभग 20 इंच) दूर बनाया जा सकता है, लेकिन मुद्रा स्वयं सही दिखती है।
एम्प्लीट्यूड बनाम फेज़:
- एम्प्लीट्यूड (Loudness): यह मुख्य चालक था। केवल सिग्नल स्ट्रेंथ का उपयोग करने से बहुत अच्छे परिणाम मिले।
- फेज़ (Timing): यह "सीक्रेट सॉस" था। अकेले, टाइमिंग डेटा भ्रमित करने वाला था और ठीक से काम नहीं कर रहा था। हालांकि, जब इसे एम्प्लीट्यूड डेटा के साथ जोड़ा गया, तो इसने तस्वीर को बेहतर बनाने में मदद की।
- अपवाद: एक मॉडल (MetaFi++) वास्तव में केवल टाइमिंग डेटा का उपयोग करके बेहतर था, लेकिन अन्य तीन मॉडलों के लिए, टाइमिंग डेटा केवल एम्प्लीट्यूड डेटा के सहायक के रूप में ही मददगार साबित हुआ।

निष्कर्ष

यह पेपर साबित करता है कि हम कैमरों के बिना लोगों को "देखने" के लिए मानक रेडियो तरंगों (विशेष रूप से 6 GHz बैंड, जिसका उपयोग आधुनिक वाई-फाई और 5G में किया जाता है) का उपयोग कर सकते हैं।

गोपनीयता (Privacy): किसी कैमरे की आवश्यकता नहीं है, इसलिए लोगों के वीडियो रिकॉर्डिंग की कोई समस्या नहीं है।
सटीकता: यह चलते हुए व्यक्ति का एक विश्वसनीय "स्टिक फिगर" बना सकता है।
सर्वश्रेष्ठ दृष्टिकोण: सबसे सटीक तरीका सिग्नल स्ट्रेंथ और टाइमिंग डेटा को मिलाना है, हालांकि सिग्नल स्ट्रेंथ अकेले ही अधिकांश काम संभाल लेती है।

संक्षेप में, शोधकर्ताओं ने दिखाया है कि चलते हुए व्यक्ति से टकराकर वापस आने वाली रेडियो तरंगों की "गूँज" को सुनकर, एक कंप्यूटर उस व्यक्ति की गतिविधियों का आश्चर्यजनक रूप से सटीक स्टिक-फिगर बनाना सीख सकता है।

तकनीकी सारांश: आयाम (Amplitude) और चरण (Phase) CSI का उपयोग करके 6 GHz बैंड में मानव चाल संवेदन और पोज़ अनुमान

समस्या विवरण
यह शोध पत्र उभरते हुए 6 GHz लाइसेंस-मुक्त बैंड (5.925–7.125 GHz) में वायरलेस संकेतों का उपयोग करके डिवाइस-फ्री मानव पोज़ अनुमान (human pose estimation) की चुनौती को संबोधित करता है। हालांकि पूर्व शोध ने 2.4 GHz और 5 GHz वाई-फाई के लिए चैनल स्टेट इंफॉर्मेशन (CSI) के उपयोग की व्यवहार्यता प्रदर्शित की है, लेकिन ये दृष्टिकोण वाई-फाई मानकों में निहित विशिष्ट भौतिक-परत मापदंडों (जैसे, चैनलकरण, सिग्नल स्वरूप) पर निर्भर करते हैं। 6 GHz बैंड, जिसका उपयोग वाई-फाई 6E और अनलाइसेंस्ड 5G NR (NR-U) दोनों द्वारा किया जाता है, नए संसाधन संरचनाओं और वेवफॉर्म्स को पेश करता है, जिससे CSI-से-पोज़ एल्गोरिदम के पुनर्मूल्यांकन की आवश्यकता होती है। मौजूदा CSI-आधारित पोज़ अनुमान में एक विशिष्ट सीमा निरंतर मानव गति, जैसे कि चलना, के प्रति संवेदनशीलता है, जो अक्सर अनुमान त्रुटियों को बढ़ा देती है और एक साथ पोज़ रिकवरी और स्थान ट्रैकिंग को जटिल बना देती है। इसके अलावा, इस विशिष्ट आवृत्ति बैंड और बैंडविड्थ संदर्भ में चरण (phase) जानकारी की उपयोगिता आयाम डेटा की तुलना में कम खोजी गई है।

कार्यप्रणाली (Methodology)
लेखक एक मल्टीस्टैटिक वायरलेस नेटवर्क के भीतर चलते हुए मानव के पोज़ का अनुमान लगाने के लिए एक प्रोसेसिंग पाइपलाइन का प्रस्ताव करते हैं जो 6 GHz पर संचालित होता है। सिस्टम एक $3 \times 3$ m $^2$ इनडोर क्षेत्र में तीन यूनिवर्सल सॉफ्टवेयर रेडियो पेरिफेरल्स (USRPs) का उपयोग करके एकत्र किए गए एक ओपन-एक्सेस डेटासेट का उपयोग करता है, जिन्हें मल्टीस्टैटिक सेटअप में कॉन्फ़िगर किया गया है। ट्रांसमीटर 6.74, 6.80, और 6.86 GHz की वाहक आवृत्तियों (carrier frequencies) पर 16 MHz बैंडविड्थ के साथ ऑर्थोगोनल फ्रीक्वेंसी डिवीजन मल्टीप्लेक्सिंग (OFDM) सिग्नल उत्सर्जित करते हैं।

मुख्य कार्यप्रणाली में निम्नलिखित चरण शामिल हैं:

CSI निष्कर्षण (Extraction): प्राप्त OFDM सिग्नलों से लीस्ट-स्क्वायर (LS) दृष्टिकोण का उपयोग करके चैनल इम्पल्स रिस्पॉन्स (CIR) का अनुमान लगाया जाता है। यह एक CSI टेंसर प्रदान करता है जिसमें 9 विशिष्ट रेडियो लिंक के लिए 1920 उपयोगी सब-कैरियर्स और 100 OFDM सिम्बल्स के माध्यम से आयाम और चरण दोनों की जानकारी होती है।
प्रीप्रोसेसिंग: पाइपलाइन फ्यूजन से पहले आयाम और चरण घटकों को अलग-अलग प्रोसेस करती है। आयाम डेटा उच्च-आवृत्ति शोर को दबाने के लिए डिस्क्रीट वेवलेट फ़िल्टरिंग से गुजरता है, जबकि चरण डेटा को अनरैप (unwrap) किया जाता है और PhaseFi का उपयोग करके शोर मुक्त किया जाता है।
फीचर फ्यूजन: एक 2-इन-1 मल्टीलेयर पर्सेप्ट्रॉन (MLP) आयाम और चरण विशेषताओं को $9 \times 1920 \times 100$ आयाम के एक एकीकृत इनपुट टेंसर में फ्यूज करता है।
डीप लर्निंग आर्किटेक्चर: वाई-फाई के लिए मूल रूप से डिज़ाइन किए गए चार अत्याधुनिक डीप लर्निंग मॉडलों को 6 GHz OFDM CSI के उच्च रिज़ॉल्यूशन को संभालने के लिए अनुकूलित किया गया है। ये मॉडल हैं:
- MetaFi++: एक CNN-ट्रांसफॉर्मर आर्किटेक्चर जो फीचर एक्सट्रैक्शन के लिए ResNet और एकीकरण के लिए मल्टी-हेड सेल्फ-अटेंशन (MHSA) का उपयोग करता है।
- DT-Pose: इसमें मास्क ऑटोएनकोडर (MAE) शैली का प्रीट्रेनिंग और एक टोपोलॉजी-प्रतिबंधित डिकोडर शामिल है जो MAE को ग्राफ कन्वोल्यूशनल नेटवर्क (GCN) के साथ जोड़ता है।
- HPE-Li: स्पष्ट ट्रांसफॉर्मर के बजाय ड्युअल-डोमेन अटेंशन का उपयोग करता है जिसे कन्वेल्शन (DSKConv) के माध्यम से लागू किया गया है।
- VST-Pose: एक स्पष्ट वेलोसिटी ब्रांच के साथ ड्यूल-स्ट्रीम स्पैटियोटेम्पोरल ट्रांसफॉर्मर का उपयोग करता है।
पोज़ पुनर्निर्माण (Reconstruction): मॉडल 8 शारीरिक की-पॉइंट्स (छाती, कोहनियाँ, घुटने) के लिए 3D निर्देशांक आउटपुट करते हैं। एक मानक मानव प्रतिनिधित्व प्राप्त करने के लिए, सिस्टम अंग विस्तार (limb extension) और स्विंग वेलोसिटी के आधार पर इन्हें ज्यामितीय रूप से 13 की-पॉइंट्स (हाथ, पैर और सिर जोड़कर) तक विस्तारित करता है।

प्रमुख योगदान

6 GHz OFDM के लिए अनुकूलन: यह शोध पत्र सफलतापूर्वक मौजूदा वाई-फाई-केंद्रित डीप लर्निंग मॉडलों को 6 GHz बैंड से OFDM CSI को प्रोसेस करने के लिए अनुकूलित करता है, जो गैर-वाई-फाई वेवफॉर्म परिदृश्यों में उनकी प्रयोज्यता को प्रमाणित करता है।
चरण सूचना का व्यवस्थित मूल्यांकन: एक प्राथमिक योगदान आयाम-केवल, चरण-केवल, और संयुक्त आयाम-चरण CSI निरूपण का तुलनात्मक विश्लेषण है। अध्ययन व्यवस्थित रूप से परीक्षण करता है कि क्या चरण जानकारी इस विशिष्ट आवृत्ति और बैंडविड्थ संदर्भ में एक स्टैंडअलोन फीचर के रूप में कार्य करती है या एक पूरक (complementary) विशेषता के रूप में।
पाइपलाइन सत्यापन: लेखक एक पूर्ण प्रसंस्करण रणनीति को डिजाइन और मान्य करते हैं, जिसमें शोर दमन (noise suppression), फीचर फ्यूजन, और डेटासेट के विशिष्ट सब-कैरियर और सिंबल काउंट को समायोजित करने के लिए DL मॉडलों के इनपुट लेयर्स में संशोधन शामिल है।

परिणाम
प्रदर्शन का मूल्यांकन प्रोक्रस्टेस-अलाइन्ड मीन पर-जॉइंट पोजीशन एरर (PA-MPJPE) और बोन लेंथ लॉस (BLL) का उपयोग करके एक वैलिडेशन सेट पर किया गया।

मॉडल प्रदर्शन: चार आर्किटेक्चरों में से, DT-Pose ने 6.4 सेमी (मूल 8 की-पॉइंट्स पर) के आयाम-केवल PA-MPJPE के साथ सर्वश्रेष्ठ समग्र सटीकता प्राप्त की।
आयाम बनाम चरण: परिणाम संकेत देते हैं कि आयाम-केवल CSI अधिकांश मॉडलों के लिए संयुक्त आयाम-चरण प्रोसेसिंग के समान प्रदर्शन देता है। चरण सूचना आम तौर पर एक स्टैंडअलोन इनपुट के बजाय एक पूरक विशेषता के रूप में अधिक फायदेमंद होती है।
अपवाद: MetaFi++ एकमात्र ऐसा मॉडल था जिसने आयाम-केवल CSI की तुलना में चरण-केवल CSI के साथ बेहतर परिणाम प्रदर्शित किए, जो चरण डेटा के प्रति मॉडल-विशिष्ट संवेदनशीलता का सुझाव देता है।
निरपेक्ष बनाम सापेक्ष सटीकता: जबकि मॉडलों ने सफल मानव कंकाल (कम BLL) का पुनर्निर्माण किया, पूर्ण स्थिति त्रुटि (लगभग 50 सेमी) महत्वपूर्ण बनी रही। मॉडल सटीक पूर्ण स्थानों के बजाय मुख्य रूप से सापेक्ष पोज़ कॉन्फ़िगरेशन को पुनः प्राप्त करते हैं।

महत्व
यह शोध पत्र दावा करता है कि 6 GHz OFDM CSI माप का उपयोग करके विश्वसनीय मानव पोज़ पुनर्निर्माण प्राप्त किया जा सकता है, जो यह प्रदर्शित करता है कि CSI-आधारित सेंसिंग विधियों को पारंपरिक वाई-फाई से उभरते हुए 6 GHz ISAC (इंटीग्रेटेड सेंसिंग एंड कम्युनिकेशन) सिस्टम तक सफलतापूर्वक विस्तारित किया जा सकता है। निष्कर्ष बताते हैं कि हालांकि आयाम अधिकांश विभेदक सामग्री (discriminative content) वहन करता है, फिर भी चरण माप मूल्यवान पूरक जानकारी प्रदान करते हैं, विशेष रूप से जब उन्हें विशिष्ट डीप लर्निंग आर्किटेक्चर में एकीकृत किया जाता है। यह कार्य असिस्टेड लिविंग और औद्योगिक सुरक्षा जैसे गैर-हस्तक्षेप वाले, डिवाइस-फ्री सेंसिंग अनुप्रयोगों के लिए साझा-स्पेक्ट्रम 6 GHz बैंड के उपयोग की व्यवहार्यता का समर्थन करता है।

सेटअप: "रेडियो गूँज" वाला कमरा

चुनौती: "शोर" को कंकाल में बदलना

परिणाम: उन्होंने क्या पाया?

निष्कर्ष

इसी तरह के और पेपर