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

Sintesi Tecnica: Rilevamento del Cammino Umano e Stima della Posa nella Banda a 6 GHz tramite Ampiezza e Fase CSI

Problematica
Questo articolo affronta la sfida della stima della posa umana device-free utilizzando segnali wireless nella banda emergente a |^{esenzione di licenza 6 GHz (5,925–7,125 GHz). Sebbene la ricerca precedente abbia dimostrato la fattibilità dell'uso delle informazioni sullo stato del canale (CSI) da Wi-Fi a 2,4 GHz e 5 GHz per il sensing, tali approcci si affidano a parametri specifici del livello fisico (ad esempio, canalizzazione, formato del segnale) intrinseci agli standard Wi-Fi. La banda a 6 GHz, utilizzata sia da Wi-Fi 6E che da 5G NR non licenziato (NR-U), introduce strutture di risorse e forme d'onda differenti, rendendo necessaria una rivalutazione degli algoritmi CSI-to-pose. Una specifica limitazione nelle esistenti stime della posa basate su CSI è la loro sensibilità al movimento umano continuo, come il camminare, che spesso aumenta gli errori di stima e complica il recupero simultaneo della posa e del tracciamento della posizione. Inoltre, l'utilità delle informazioni di fase in questo specifico contesto di frequenza e larghezza di banda rimane meno esplorata rispetto ai dati di ampiezza.

Metodologia
Gli autori propongono una pipeline di elaborazione per stimare la posa di un essere umano che cammina all'interno di una rete wireless multistatica operante a 6 GHz. Il sistema utilizza un dataset open-access raccolto in un'area interna di $3 \times 3$ m$^2$ utilizzando tre USRP (Universal Software Radio Peripherals) configurati in una configurazione multistatica. I trasmettitori emettono segnali OFDM (Orthogonal Frequency-Division Multiplexing) con una larghezza di banda di 16 MHz a frequenze portanti di 6,74, 6,80 e 6,86 GHz.

La metodologia centrale prevede le seguenti fasi:

1. Estrazione CSI: La risposta all'impulso del canale (CIR) è stimata dai segnali OFDM ricevuti tramite un approccio Least-Squares (LS). Ciò produce un tensore CSI contenente sia informazioni di ampiezza che di fase attraverso 1920 sottoportanti utilizzabili e 100 simboli OFDM per frame per 9 link radio distinti.
2. Pre-elaborazione: La pipeline elabora separatamente i componenti di ampiezza e fase prima della fusione. I dati di ampiezza subiscono un filtraggio a onde discrete (discrete wavelet filtering) per sopprimere il rumore ad alta frequenza, mentre i dati di fase vengono "unwrapped" e denoisati utilizzando PhaseFi.
3. Fusione delle Caratteristiche: Un MLP (Multilayer Perceptron) 2-in-1 fonde le caratteristiche di ampiezza e fase in un tensore di input unificato di dimensione $9 \times 1920 \times 100$.
4. Architetture di Deep Learning: Quattro modelli di deep learning all'avanguardia, originariamente progettati per il Wi-Fi, sono adattati per gestire l'alta risoluzione della CSI OFDM a 6 GHz. Questi modelli sono:
   • MetaFi++: Un'architettura CNN-Transformer che utilizza ResNet per l'estrazione delle caratteristiche e la Multi-Head Self-Attention (MHSA) per l'integrazione.
   • DT-Pose: Utilizza il pre-addestramento in stile Masked Autoencoder (MAE) e un decoder vincolato dalla topologia che combina MAE con GCN (Graph Convolutional Networks).
   • HPE-Li: Sostituisce i transformer espliciti con un'attenzione a doppio dominio implementata tramite convoluzione (DSKConv).
   • VST-Pose: Impiega un transformer spazio-temporale a doppio stream con un ramo di velocità esplicito.
5. Ricostruzione della Posa: I modelli output forniscono le coordinate 3D per 8 punti chiave anatomici (torace, gomiti, ginocchia). Per ottenere una rappresentazione umana standard, il sistema estrapola geometricamente questi dati a 13 punti chiave (aggiungendo mani, piedi e testa) basandosi sull'estensione degli arti e sulla velocità di oscillazione.

Contributi Chiave

• Adattamento alla CSI OFDM a 6 GHz: Il documento adatta con successo gli esistenti modelli di deep learning centrati sul Wi-Fi per elaborare la CSI OFDM della banda a 6 GHz, validando la loro applicabilità in scenari di forma d'onda non-Wi-Fi.
• Valutazione Sistematica dell'Informazione di Fase: Un contributo primario è l'analisi comparativa delle rappresentazioni CSI solo ampiezza, solo fase e ampiezza-fase congiunta. Lo studio testa sistematicamente se l'informazione di fase agisca come una caratteristica autonoma o come una caratteristica complementare in questo specifico contesto di frequenza e larghezza di banda.
• Validazione della Pipeline: Gli autori progettano e validano una strategia di elaborazione completa, inclusa la soppressione del rumore, la fusione delle caratteristiche e la modifica dei livelli di input nei modelli di DL per accomodare il numero specifico di sottoportanti e simboli del dataset.

Risultati
Le prestazioni sono state valutate su un set di validazione utilizzando l'errore di posizione media per giunto Procrustes-allineato (PA-MPJPE) e la perdita della lunghezza ossea (BLL).

• Prestazioni dei Modelli: Tra le quattro architetture, DT-Pose ha ottenuto la migliore accuratezza complessiva, con un PA-MPJPE basato solo sull'ampiezza di 6,4 cm (sui 8 punti chiave originali).
• Ampiezza vs. Fase: I risultati indicano che la CSI basata solo sull'ampiezza fornisce prestazioni paragonabili all'elaborazione congiunta ampiezza-fase per la maggior parte dei modelli. L'informazione di fase è generalmente più benefica come caratteristica complementare piuttosto che come input autonomo.
• Eccezione: MetaFi++ è stato l'unico modello a dimostrare risultati migliori utilizzando la CSI basata solo sulla fase rispetto a quella basata solo sull'ampiezza, suggerendo sensibilità specifiche del modello ai dati di fase.
• Accuratezza Assoluta vs. Relativa: Sebbene i modelli abbiano ricostruito con successo scheletri umani plausibili (basso BLL), l'errore di posizione assoluta è rimasto significativo (circa 50 cm). I modelli recuperano principalmente configurazioni di posa relative piuttosto che posizioni assolute precise all'interno della stanza.

Significatività
Il documento afferma che è possibile ottenere una ricostruzione affidabile della posa umana utilizzando misurazioni CSI OFDM a 6 GHz, dimostrando che i metodi di sensing basati su CSI possono essere estesi con successo dai convenzionali Wi-Fi ai sistemi emergenti ISAC (Integrated Sensing and Communication) a 6 GHz. Le conclusioni suggeriscono che, sebbene l'ampiezza trasporti la maggior parte del contenuto discriminativo per la stima della posa, le misurazioni di fase offrono informazioni complementari preziose, in particolare quando integrate in specifiche architetture di deep learning. Questo lavoro supporta la fattibilità dell'uso di bande a 6 GHz a spettro condiviso per applicazioni di sensing non intrusive e device-free, come l'assistenza domiciliare e la sicurezza industriale.