EM Informed Holographic Imaging via Unrolled Deep Networks

Immaginate una stanza dove l'aria stessa è piena di onde radio invisibili che rimbalzano su pareti, mobili e persone. In un moderno "Ambiente Radio Intelligente", densi array di antenne agiscono non solo come dispositivi di comunicazione, ma come un'infrastruttura di rilevamento condivisa. Queste antenne possono ascoltare le sottili increspature nelle onde radio causate dal movimento di oggetti attraverso lo spazio. A differenza di una fotocamera che cattura una fotografia dettagliata di un volto o di una stanza, questa tecnologia ricostruisce una mappa tridimensionale approssimativa di dove si trovano le cose basandosi su come queste onde si diffondono. È un modo di vedere senza vedere, creando un'istantanea della scena che preserva la privacy, rivelando la forma e la posizione di una persona o di un oggetto senza mai catturare un'immagine riconoscibile. Questa capacità è cruciale per il futuro dell' "Internet di Tutte le Cose", dove i dispositivi devono comprendere l'ambiente circostante per funzionare in modo sicuro ed efficiente, rispettando al contempo la privacy delle persone all'interno.

La sfida per gli ingegneri è sempre stata quella di trasformare questi segnali radio dispersi in un'immagine chiara. La fisica del modo in cui le onde radio viaggiano e rimbalzano è ben compresa, ma risolvere la matematica per l'ingegneria inversa di un'immagine a partire dai segnali è notoriamente difficile. I metodi tradizionali spesso si affidano a regole matematiche fisse che funzionano bene in teoria, ma che faticano quando il mondo reale diventa caotico. Se la geometria della stanza cambia, o se gli oggetti all'interno si comportano diversamente da quanto previsto, questi strumenti standard producono mappe sfocate o imprecise. Sono come una fotocamera con un obiettivo che non può essere regolato: scatta una foto, ma la messa a fuoco è spesso errata. I ricercatori hanno cercato di risolvere questo problema utilizzando l'intelligenza artificiale, ma molti approcci esistenti sostituiscono la fisica nota delle onde radio con un programma informatico a "scatola nera". Sebbene questi programmi possano apprendere dai dati, spesso dimenticano le leggi della fisica, rendendoli inaffidabili di fronte a nuove situazioni o quando è disponibile solo una piccola quantità di dati per l'addestramento.

In uno studio recente, i ricercatori Federica Fieramosca, Alexander H. Paulus, Richard Oliveira e Stefano Savazzi hanno proposto una strada diversa. Invece di scartare la fisica o fare affidamento su una scatola nera, hanno sviluppato un metodo che mantiene le leggi dell'elettromagnetismo al centro del processo. Hanno preso un risolutore matematico standard, un algoritmo passo dopo passo utilizzato per ricostruire immagini, e lo hanno trasformato in una rete di deep learning addestrabile. Pensate a questo come al prendere una linea di montaggio rigida e manuale e insegnare ai lavoratori come regolare i propri strumenti in base a ciò che vedono, pur seguendo sempre lo stesso schema fondamentale. Questa tecnica, nota come "unrolling dell'algoritmo" (algorithm unrolling), permette al sistema di apprendere alcuni parametri specifici da dati limitati, come quanto affilare l'immagine o dove aspettarsi che una persona stia in piedi, senza mai perdere il significato fisico delle onde radio.

Il team ha introdotto due miglioramenti specifici a questo processo di apprendimento. Il primo, chiamato Weighted LISTA, insegna al sistema a prestare maggiore attenzione ad alcune parti della stanza rispetto ad altre. In un tipico ufficio o in una casa, le persone probabilmente staranno in piedi sul pavimento, non fluttuando nel soffitto o sepolte nelle pareti. Apprendendo un "prior spaziale", il sistema comprende che dovrebbe concentrare la sua energia al livello del pavimento e all'altezza tipica di un corpo umano, ignorando efficacemente lo spazio vuoto. Questo rende l'immagine risultante molto più pulita e nitida. Il secondo miglioramento, Low-Rank Weighted LISTA, affronta un problema diverso: il fatto che il modello matematico utilizzato per descrivere le onde radio sia un'approssimazione. Nel mondo reale, le onde si comportano in modi complessi che le semplici equazioni a volte non colgono. Questo nuovo metodo apprende una piccola correzione al modello matematico stesso, agendo come una manopola di regolazione fine che compensa le discrepanze tra la teoria e la realtà.

Per testare le loro idee, i ricercatori hanno eseguito due tipi di esperimenti. Per prima cosa, hanno utilizzato potenti simulazioni al computer per modellare le onde radio che rimbalzano in una stanza con un oggetto a forma umana all'interno. Queste simulazioni hanno permesso loro di creare dati di "verità fondamentale" (ground truth) perfetti per addestrare il sistema. Hanno testato il nuovo metodo contro le tecniche standard più vecchie e hanno scoperto che il loro approccio produceva immagini significativamente più chiare della forma umana, con meno errori e bordi meglio definiti. Il sistema è stato particolarmente bravo a distinguere la persona dal disordine dello sfondo. In secondo luogo, hanno spostato l'esperimento in un vero laboratorio. Utilizzando una frequenza di 2,45 GHz, comune per il Wi-Fi, hanno allestito una grande griglia di antenne e posizionato un manichino a forma umana nella stanza. Hanno misurato le effettive onde radio disperse dal manichino e hanno inserito questi dati reali nel loro sistema.

I risultati dei test nel mondo reale hanno confermato i risultati delle simulazioni. I nuovi metodi sono stati in grado di ricostruire la forma del manichino con una fedeltà molto più alta rispetto agli approcci tradizionali. I metodi standard producevano macchie sfocate e indistinte, mentre le reti unrolled producevano contorni nitidi e ben definiti che corrispondevano da vicino alla forma reale dell'oggetto. La versione che includeva la correzione per il modello matematico è stata la migliore di tutte, recuperando dettagli strutturali fini che gli altri avevano perso. Questo successo è stato ottenuto nonostante il sistema fosse stato addestrato su un set di dati molto piccolo, dimostrando che può adattarsi rapidamente a nuovi ambienti senza la necessità di enormi quantità di dati.

La portata di questo lavoro risiede nel suo equilibrio tra flessibilità e affidabilità. Mantenendo fisse le leggi fisiche delle onde radio e apprendendo solo le parti regolabili, il sistema rimane interpretabile e robusto. Non ha bisogno di essere riaddestrato da zero ogni volta che la stanza cambia; deve semplicemente apprendere alcune nuove impostazioni per la geometria specifica dello spazio. Ciò lo rende uno strumento pratico per applicazioni del mondo reale dove la privacy è fondamentale. Il sistema può dirvi che una persona è in piedi in una stanza e qual è la sua forma generale, senza mai catturare un volto o un tratto riconoscibile. Offre un modo per rendere gli ambienti intelligenti consapevoli dei loro occupanti e capaci di reagire di conseguenza, mantenendo al contempo un alto livello di privacy e operando efficientemente sull'hardware disponibile oggi. I ricercatori hanno dimostrato che, combinando il meglio della fisica e del machine learning, è possibile vedere chiaramente attraverso il rumore dello spettro radio, trasformando onde invisibili in informazioni utili e azionabili.