Sintesi Tecnica: RePos – Fattorizzazione della Posa Relativa-Assoluta per la Stima della Posa 3D Umana Basata su WiFi tra Ambienti Diversi

1. Definizione del Problema

Il documento affronta la sfida critica della generalizzazione cross-ambiente nella stima della posa 3D umana device-free utilizzando l'informazione sullo stato del canale (CSI) di dispositivi commerciali. Sebbene il sensing WiFi offra alternative preservanti della privacy e robuste all'illuminazione rispetto ai sistemi basati su telecamera, i modelli esistenti faticano a essere implementati in ambienti non visti senza una calibrazione specifica per ogni ambiente.

La difficoltà principale risiede nella natura del CSI: a differenza delle immagini, il CSI manca di una corrispondenza spazialmente localizzata con le parti del corpo ed è fortemente modellato dalla propagazione multipath specifica per la disposizione della stanza, l'arredamento e la geometria trasmettitore-ricevitore. Di conseguenza, i modelli che regressionano pose assolute (coordinate articolari nello spazio della stanza) tendono a intrecciare la struttura corporea con indizi di posizione specifici dell'ambiente. Questo "overfitting delle coordinate" permette ai modelli di ottenere un'alta precisione all'interno di un singolo ambiente di addestramento, ma causa un drastico calo delle prestazioni quando vengono implementati in stanze non viste, poiché i priori di posizione appresi non sono trasferibili.

2. Metodologia: Framework RePos

Gli autori propongono RePos (Relative-to-Absolute Pose), un framework fattorizzato che decoppia la predizione della struttura corporea dalla posizione assoluta. Invece di apprendere una singola mappatura dal CSI alle coordinate assolute, RePos divide il compito in due rami addestrati indipendentemente che vengono ricombinati in uscita.

A. Fattorizzazione della Posa

La posa assoluta $J_{abs}$ è decomposta in:
$$J_{abs} = J_{rel} + r$$
Dove $J_{rel}$ è la posa relativa alla radice (configurazione corporea indipendente dalla traslazione globale) e $r$ è la posizione della radice (posizione del bacino nella stanza).

• Ramo Strutturale (Structure Branch): Addestrato solo su $J_{rel}$, non riceve supervisione sulla posizione assoluta. Ciò impedisce che indizi di posizione specifici dell'ambiente filtrino nella rappresentazione strutturale.
• Ramo di Localizzazione (Localization Branch): Addestrato per predire $r$ dal CSI in ampiezza, agendo come un prior spaziale apprendibile.

B. Stadio 1: Decodificatore della Posa Strutturata (Ramo Strutturale)

Questo stadio stima la posa relativa alla radice $J_{rel}$ attraverso un'architettura specifica per modalità, progettata per imporre una struttura anatomica sul segnale CSI grezzo:

1. Encoder CSI: Elabora l'ampiezza del CSI in caratteristiche codificate utilizzando una CNN e un Transformer.
2. Body-Part Latent Queries (BP-LQs): Introduce una rappresentazione intermedia strutturata. Token latenti apprendibili sono raggruppati in sei regioni anatomiche (testa, torso, braccio sinistro/destro, gamba sinistra/destra). Questi token agiscono come query per attendere alle caratteristiche del CSI, creando un collo di bottiglia che organizza l'informazione per parte del corpo piuttosto che per segnale grezzo.
3. Skeleton Graph Attention (SGA): Un modulo di attenzione a grafo che raffina i BP-LQ. Utilizza una matrice di adiacenza binaria per imporre vincoli di connettività scheletrica (es. il torso si connette agli arti) durante il raffinamento delle caratteristiche, garantendo che la rappresentazione intermedia rispetti la topologia anatomica prima della decodifica delle articolazioni.
4. Decodificatore Parte-Articolazione (Part-to-Joint Decoder): Aggrega le caratteristiche a livello di parte e le decodifica in 17 coordinate articolari relative alla radice.

C. Stadio 2: Rete del Prior Spaziale basata sull'Ampiezza (ASPN)

Questo stadio stima la posizione della radice $r$ utilizzando solo l'ampiezza del CSI (ignorando la fase, spesso inaffidabile nei dispositivi commerciali):

1. Codice di Modulazione Latente: Una CNN mappa l'ampiezza del CSI in un codice latente apprendibile, che modula l'ampiezza per sintetizzare un segnale complesso.
2. Decomposizione Spaziale Differenziabile: Il segnale sintetizzato subisce una decomposizione motivata dalla fisica ma apprendibile, che coinvolge il beamforming ricevente-solo (spettro angolare) e la Trasformata Rapida di Fourier Inversa (IFFT) per generare una mappa di calore spaziale. Questo crea una rappresentazione spaziale ottimizzata per la localizzazione senza richiedere una calibrazione esplicita della fase fisica.
3. Regressore della Radice (Root Regressor): Una CNN e un MLP predicono la posizione 3D della radice dalla mappa di calore spaziale.

D. Strategia di Addestramento

Il modello viene addestrato in due fasi sequenziali:

1. Stadio 1: Ottimizza l'intero Decodificatore della Posa Strutturata su target relativi alla radice con un regolarizzatore della lunghezza degli arti.
2. Stadio 2: Congela lo Stadio 1 e ottimizza solo i parametri dell'ASPN utilizzando target di posa assoluta. Ciò assicura che il ramo strutturale non sia corrotto dai gradienti di posizione.

E. RePos-D (Variante In-Domain)

Per l'implementazione in un singolo ambiente dove i segnali di posizione sono coerenti, gli autori introducono RePos-D, una variante diretta che utilizza lo stesso backbone dello Stadio 1 e regredisce la posa assoluta end-to-end, omettendo la fattorizzazione e l'ASPN.

3. Contributi Chiave

1. Framework Fattorizzato: RePos affronta l'overfitting delle coordinate separando la stima della posa relativa alla radice dalla localizzazione della radice, garantendo che il ramo strutturale apprenda rappresentazioni stabili rispetto all'ambiente.
2. Body-Part Latent Queries (BP-LQs): Una rappresentazione di token latenti anatomicamente raggruppati che impone una struttura scheletrica a monte della decodifica delle articolazioni, raffinata dalla Skeleton Graph Attention (SGA).
3. Localizzazione Senza Calibrazione: Il design di ASPN, che stima la posizione della radice dall'ampiezza del CSI tramite una decomposizione spaziale differenziabile, evitando la necessità di calibrazione della fase o stima fisica di AoA/ToF.
4. Prestazioni allo Stato dell'Arte: Ha dimostrato prestazioni superiori sia in contesti cross-ambiente che in-domain.

4. Risultati Sperimentali

Il metodo è stato valutato sul dataset MM-Fi (cross-ambiente) e Person-in-WiFi-3D (in-domain).

• Cross-Ambiente (MM-Fi): Sotto il protocollo rigoroso (addestramento sugli ambienti E01–E03, test su l'ambiente non visto E04), RePos ha ridotto il Mean Per-Joint Position Error (MPJPE) del 10–21% rispetto ai metodi esistenti basati solo su WiFi (es. DT-Pose, MetaFi++).
  • RePos ha ottenuto un MPJPE di 254.4–296.1 mm attraverso i protocolli di attività.
  • Fondamentalmente, l'Errore di Posizione della Radice è stato ridotto significativamente (es. 203 mm rispetto a >260 mm per i baseline), mentre il PA-MPJPE (allineato Procrustes, che misura la forma del corpo) è rimasto paragonabile ai baseline. Ciò conferma che il miglioramento deriva da una migliore gestione della localizzazione piuttosto che da un cambiamento fondamentale nella capacità di ricostruzione della struttura.
• In-Domain (Person-in-WiFi-3D): La variante diretta RePos-D ha ottenuto un MPJPE di 86.9 mm, un miglioramento del 3.4% rispetto al precedente miglior metodo (DT-Pose a 90.0 mm), dimostrando che il backbone è altamente efficace quando l'ambiente è fisso.
• Studi di Ablazione:
  • Rimuovere la fattorizzazione (usando RePos-D in contesti cross-ambiente) ha causato un degrado delle prestazioni ai livelli dei baseline, confermando la necessità di separare struttura e posizione.
  • Rimuovere i BP-LQs o la SGA ha degradato sia la struttura che l'accuratezza della radice, validando l'importanza del raggruppamento anatomico.
  • L'analisi degli errori ha mostrato che i due rami non causano cascate di errori; il ramo di localizzazione è robusto al rumore del ramo strutturale.

5. Significato e Rivendicazioni

Il documento afferma che l'ostacolo principale per l'implementazione del sensing WiFi non è l'incapacità di ricostruire la forma del corpo, ma l'intreccio della struttura corporea con gli indizi di posizione specifici dell'ambiente.

• Bias Architetturale rispetto all'Invarianza delle Caratteristiche: Gli autori sottolineano che RePos non ha successo imparando "caratteristiche invarianti rispetto all'ambiente". L'analisi mostra che le rappresentazioni interne (incluse le caratteristiche strutturali) rimangono fortemente separabili per ambiente. Il successo deriva invece da un bias induttivo architettonico che instrada la quantità dipendente dall'ambiente (posizione) in un ramo separato, permettendo al ramo strutturale di rimanere supervisionato solo dal target ambiente-stabile (posa relativa).
• Implementazione Pratica: Il framework consente a un modello addestrato su un set di ambienti sorgente di operare in un ambiente target non visto senza calibrazione o fine-tuning.
• Ambito e Limitazioni: Gli autori notano con modestia che, sebbene RePos riduca significativamente il divario cross-ambiente, il ramo di localizzazione mantiene comunque una dipendenza dall'ambiente (l'errore della radice rimane di circa 260 mm). Il metodo è presentato come un localizzatore grossolano, privo di calibrazione, adatto ad applicazioni come il rilevamento delle cadute e il monitoraggio della salute, ma potrebbe richiedere ulteriori miglioramenti per interazioni AR/VR più fini. Gli autori riconoscono anche i limiti riguardanti i vincoli di persona singola e la necessità di futuri lavori su dati di movimento libero e scenari multi-persona.

In sintesi, RePos fornisce un backbone unificato che supporta sia un'implementazione in-domain ad alta precisione (tramite RePos-D) sia un'implementazione cross-ambiente robusta e senza calibrazione (tramite RePos), affrontando efficacemente il fallimento per overfitting delle coordinate inerente agli attuali approcci di sensing WiFi.