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

Sintesi Tecnica: Allineamento Latente Generativo per il Rilevamento dell'Occupanza da Radar Interpretabile

Definizione del Problema
Negli ambienti di Assistenza Ambientale (AAL), il monitoraggio continuo della presenza umana è fondamentale per la sicurezza e l'autonomia. Sebbene le telecamere siano efficaci per il riconoscimento delle attività, esse sollevano significative preoccupazioni relative alla privacy. Il radar a onde millimetriche (mmWave) offre un'alternativa che preserva la privacy e che è robusta rispetto all'illuminazione e alle occlusioni. Tuttavia, i modelli di deep learning impiegati per il rilevamento della presenza basato su radar spesso mancano di interpretabilità. In contesti sanitari critici per la sicurezza, questa natura a "scatola nera" ostacola la fiducia dei clinici e la validazione del modello. I metodi esistenti di intelligenza artificiale spiegabile (XAI) per la sensoristica operano spesso post-hoc su modelli discriminativi o non riescono ad allineare i dati sensoriali con concetti comprensibili all'uomo, lasciando un divario tra i segnali radar astratti e il ragionamento semantico.

Metodologia
Gli autori propongono il framework Generative Latent Alignment (GLA), un Variational Autoencoder (VAE) radar semantico progettato per apprendere una rappresentazione latente a bassa dimensionalità di mappe di calore Range–Angle (RA) che sia sia generativa che semanticamente allineata con i concetti umani. L'architettura è composta da tre componenti principali:

1. Backbone Semantic Radar VAE:

   • Input: Mappe di caratteristiche di intensità RA 2D (224×224, 3 canali) derivate da campioni ADC mmWave grezzi tramite standard di elaborazione FMCW (Range/Doppler FFT e beamforming Capon/MVDR).
   • Encoder: Una rete convoluzionale leggera con quattro blocchi convoluzionali con stride riduce la risoluzione spaziale da 224 a 14, seguiti da teste lineari per produrre la media ($\mu$) e la log-varianza ($\log \sigma^2$) di una distribuzione Gaussiana diagonale.
   • Decoder: Una pila di convoluzioni trasposte risalisce la dimensione del vettore latente $z$ per ricostruire la mappa di calore RA di input.
   • Obiettivo di Addestramento: Il modello massimizza l'Evidence Lower Bound (ELBO), che comprende una perdita di ricostruzione di cross-entropia binaria ($L_{recon}$) per preservare la struttura RA fine e un termine di divergenza KL ($L_{KLD}$) per imporre un manifold latente fluido.

2. Allineamento Latente Text-Anchor:

   • Per colmare il divario tra dati sensoriali e concetti umani, la media latente $\mu$ viene proiettata tramite un livello lineare apprendibile $W$ e allineata con gli embedding di un encoder testuale CLIP congelato.
   • Due prompt testuali specifici fungono da ancore semantiche: "radar heatmap of an empty room without any person" (mappa di calore radar di una stanza vuota senza alcuna persona) e "radar heatmap of a person present in the room" (mappa di calore radar di una persona presente nella stanza).
   • Una perdita di allineamento ($L_{align}$), calcolata come la cross-entropia delle similarità del coseno scalate per temperatura tra il latente proiettato e le ancore testuali, incoraggia lo spazio latente a raggruppare i campioni vicino ai loro corrispondenti concetti semantici.

3. Spiegabilità dello Spazio Latente (Latent Grad-CAM):

   • Invece di applicare Grad-CAM al livello di classificazione finale, il metodo adatta la tecnica al terzo blocco convoluzionale dell'encoder.
   • I gradienti del punteggio di classe rispetto alle mappe di caratteristiche vengono sottoposti a pooling medio globale per derivare i pesi dei canali. Questi pesi vengono applicati alle mappe di caratteristiche per generare una mappa di calore ($L_{CAM}$).
   • Questa mappa viene risalita alla risoluzione di input e mediata su perturbazioni gaussiane per produrre una visualizzazione stabile delle regioni spaziali che supportano la decisione di presenza.

Risultati Chiave
Il framework è stato valutato su un dataset radar mmWave binario che distingue tra scenari di "stanza vuota" e "persona presente".

• Interpretabilità Qualitativa: Per i campioni "persona presente", il Latent Grad-CAM produce blob compatti e nettamente localizzati che coincidono con forti ritorni RA (il riflesso della persona). Al contrario, i campioni "stanza vuota" producono evidenze diffuse o assenti, coerentemente con il rumore di fondo e le strutture multipath statiche.
• Studio di Ablazione: Gli autori hanno condotto un'ablatura utilizzando prompt testuali non correlati (es. "clouds in the sky" - nuvole nel cielo). In queste condizioni, sebbene il VAE potesse ancora ricostruire pattern RA grossolani, le spiegazioni Grad-CAM sono degradate significativamente: la classe "persona presente" ha prodotto mappe uniformi e non salienti, e la classe "stanza vuota" non è riuscita a corrispondere alle evidenti strutture RA. Ciò conferma che le ancore semantiche specifiche del radar sono essenziali per generare mappe di evidenza localizzate e significative.

Significatività e Rivendicazioni
Il paper sostiene che il framework GLA riesce a colmare il divario di rappresentazione tra segnali radar astratti e concetti comprensibili all'uomo senza richiedere complessi decoder head o pipeline di generazione di grandi modelli linguistici. Accoppiando un VAE leggero con ancore CLIP congelate, il metodo produce mappe di evidenza condizionate dalla classe che sono:

1. Radicate nella struttura RA: Le visualizzazioni si allineano con la geometria fisica dei ritorni radar.
2. Legate semanticamente: Le spiegazioni sono direttamente collegate a concetti specifici del dominio ("vuoto" vs "persona").
3. Interpretabili: L'uso di Grad-CAM nello spazio latente permette agli operatori di visualizzare perché è stata presa una decisione, affrontando il divario di trasparenza nei sistemi AAL critici per la sicurezza.

Gli autori posizionano questo lavoro come un passo verso un'IA affidabile nell'assistenza sanitaria, dimostrando che l'allineamento semantico può migliorare l'esplicabilità dei modelli radar generativi mantenendo al contempo un'architettura leggera adatta alla distribuzione.