EM Informed Holographic Imaging via Unrolled Deep Networks

Stel je een kamer voor waar de lucht zelf gevuld is met onzichtbare radiogolven die weerkaatsen tegen muren, meubels en mensen. In een moderne "Smart Radio Environment" fungeren dichte arrays van antennes niet alleen als communicatieapparaten, maar als een gedeelde sensorische infrastructuur. Deze antennes kunnen luisteren naar de subtiele rimpelingen in radiogolven die worden veroorzaakt door bewegende objecten in de ruimte. In tegenstelling tot een camera die een gedetailleerde foto van een gezicht of een kamer vastlegt, reconstrueert deze technologie een ruwe, driedimensionale kaart van waar dingen zich bevinden op basis van hoe ze deze golven verstrooien. Het is een manier van zien zonder te zien, het creëren van een privacy-bewuste snapshot van een scène die de vorm en locatie van een persoon of object onthult zonder ooit een herkenbaar beeld vast te leggen. Deze capaciteit is cruciaal voor de toekomst van het "Internet of Everything", waarbij apparaten hun omgeving moeten begrijpen om veilig en efficiënt te kunnen functioneren, terwijl ze tegelijkertijd de privacy van de mensen binnen respecteren.

De uitdaging voor ingenieurs is altijd geweest om deze verstrooide radiosignalen om te zetten in een helder beeld. De fysica van hoe radiogolven reizen en weerkaatsen is goed begrepen, maar het oplossen van de wiskunde om een beeld terug te ontleden uit de signalen is berucht moeilijk. Traditionele methoden vertrouwen vaak op vaste wiskundige regels die in theorie goed werken, maar moeite hebben wanneer de echte wereld rommelig wordt. Als de geometrie van de kamer verandert, of als de objecten binnen anders reageren dan verwacht, produceren deze standaardinstrumenten wazige of onnauwkeurige kaarten. Ze zijn als een camera met een lens die niet kan worden aangepast; het maakt een foto, maar de focus staat vaak niet scherp. Onderzoekers hebben geprobeerd dit op te lossen door gebruik te maken van kunstmatige intelligentie, maar veel bestaande benaderingen vervangen de bekende fysica van radiogolven door een "black box"-computerprogramma. Hoewel deze programma's kunnen leren van data, vergeten ze vaak de natuurwetten, waardoor ze onbetrouwbaar zijn wanneer ze worden geconfronteerd met nieuwe situaties of wanneer er slechts een kleine hoeveelheid data beschikbaar is voor training.

In een recente studie stelden onderzoekers Federica Fieramosca, Alexander H. Paulus, Richard Oliveira en Stefano Savazzi een ander pad voor. In plaats van de fysica weg te gooien of te vertrouwen op een black box, ontwikkelden zij een methode die de wetten van de elektromagnetisme in het hart van het proces houdt. Ze namen een standaard wiskundige solver, wat een stapsgewijs algoritme is dat wordt gebruikt om beelden te reconstrueren, en transformeerden dit tot een trainbaar deep learning-netwerk. Denk hierbij aan het nemen van een rigide, handmatige assemblageband en het leren van de arbeiders hoe ze hun eigen gereedschap kunnen aanpassen op basis van wat ze zien, terwijl ze nog steeds hetzelfde fundamentele blauwdruk volgen. Deze techniek, bekend als "algorithm unrolling", stelt het systeem in staat om een paar specifieke parameters te leren van beperkte data, zoals hoeveel het beeld moet worden aangescherpt of waar men een persoon zou kunnen verwachten te staan, zonder ooit de fysieke betekenis van de radiogolven te verliezen.

Het team introduceerde twee specifieke verbeteringen in dit leerproces. De eerste, genaamd Weighted LISTA, leert het systeem om meer aandacht te besteden aan bepaalde delen van de kamer dan aan andere. In een typische kantoor- of woningomgeving staan mensen waarschijnlijk op de vloer, en niet zwevend in het plafond of begraven in de muren. Door een "spatial prior" te leren, begrijpt het systeem dat het zijn energie moet richten op het vloerniveau en de typische hoogte van een menselijk lichaam, waardoor het lege ruimte effectief negeert. Dit maakt het resulterende beeld veel schoner en scherper. De tweede verbetering, Low-Rank Weighted LISTA, pakt een ander probleem aan: het feit dat het wiskundige model dat wordt gebruikt om radiogolven te beschrijven een benadering is. In de echte wereld gedragen golven zich op complexe manieren die eenvoudige vergelijkingen soms missen. Deze nieuwe methode leert een kleine correctie voor het wiskundige model zelf, wat werkt als een fijn afstemknop die de kloof tussen de theorie en de realiteit compenseert.

Om hun ideeën te testen, voerden de onderzoekers twee soorten experimenten uit. Eerst gebruikten ze krachtige computersimulaties om radiogolven te modelleren die rondkaatsen in een kamer met een mensvormig object erin. Deze simulaties stelden hen in staat om perfecte "ground truth"-data te creëren om het systeem op te trainen. Ze testten de nieuwe methode tegen oudere, standaardtechnieken en ontdekten dat hun aanpak aanzienlijk duidelijkere beelden van de menselijke vorm produceerde, met minder fouten en beter gedefinieerde randen. Het systeem was bijzonder goed in het onderscheiden van de persoon van de achtergrondruis. Ten tweede verplaatsten ze het experiment naar een echte laboratoriumomgeving. Met behulp van een frequentie van 2,45 gigahertz, die gebruikelijk is voor Wi-Fi, stelden ze een groot rooster van antennes op en plaatsten ze een mensvormige mannequin in de kamer. Ze maten de werkelijke radiogolven die door de mannequin werden verstrooid en voerden deze echte wereld-data in hun systeem in.

De resultaten van de tests in de echte wereld bevestigden de bevindingen uit de simulaties. De nieuwe methoden waren in staat om de vorm van de mannequin met veel hogere getrouwheid te reconstrueren dan de traditionele benaderingen. De standaardmethoden produceerden vage, onduidelijke vlekken, terwijl de nieuwe unrolled netwerken scherpe, goed gedefinieerde contouren produceerden die nauw overeenkwamen met de werkelijke vorm van het object. De versie die de correctie voor het wiskundige model bevatte, presteerde het beste van allemaal, waarbij fijne structurele details werden hersteld die de anderen misten. Dit succes werd bereikt, zelfs toen het systeem werd getraind op een zeer kleine dataset, wat aantoont dat het snel kan aanpassen aan nieuwe omgevingen zonder enorme hoeveelheden data nodig te hebben.

De betekenis van dit werk ligt in de balans tussen flexibiliteit en betrouwbaarheid. Door de fysische wetten van radiogolven vast te houden en alleen de aanpasbare delen te laten leren, blijft het systeem interpreteerbaar en robuust. Het hoeft niet telkens opnieuw getraind te worden wanneer de kamer verandert; het hoeft simpelweg een paar nieuwe instellingen te leren voor de specifieke geometrie van de ruimte. Dit maakt het een praktisch hulpmiddel voor real-world toepassingen waar privacy van groot belang is. Het systeem kan u vertellen dat er een persoon in een kamer staat en wat hun algemene vorm is, zonder ooit een gezicht of een herkenbaar kenmerk vast te leggen. Het biedt een manier voor slimme omgevingen om zich bewust te zijn van hun bewoners en daarop te reageren, terwijl ze tegelijkertijd een hoog niveau van privacy waarborgen en efficiënt opereren op de beschikbare hardware van vandaag. De onderzoekers hebben aangetoond dat door de beste aspecten van fysica en machine learning te combineren, het mogelijk is om helder te zien door de ruis van het radiospectrum, en onzichtbare golven om te zetten in nuttige, actiegerichte informatie.