Resumo Técnico: Um Framework de Gêmeo Digital Informado pela Física para Estimativa de Ocupação de Radar FMCW Calibrada Sim-to-Real

Declaração do Problema

Desenvolver modelos de percepção de radar robustos diretamente de medições do mundo real é inerentemente dispendioso e trabalhoso. Isso requer experimentos controlados, calibrações repetidas e anotações manuais extensas. Embora simuladores de alta fidelidade baseados em solvers eletromagnéticos de onda completa ou de ray-tracing ofereçam uma alternativa escalável para gerar dados sintéticos rotulados, um significativo hiato "sim-to-real" persiste. Abordagens existentes frequentemente dependem de ferramentas eletromagnéticas proprietárias, varreduras extensas de parâmetros ou modelos generativos complexos (por exemplo, GANs) que exigem ajuste de conhecimento de domínio específico. Este artigo aborda o desafio de transferir eficientemente modelos de radar FMCW (Frequency Modulated Continuous Wave) treinados em simulação para tarefas de detecção de ocupação e contagem de pessoas no mundo real sem a necessidade de grandes conjuntos de dados rotulados do mundo real.

Metodologia

1. Framework de Gêmeo Digital Informado pela Física

Os autores propõem um framework de gêmeo digital modular que integra animação humana, modelagem eletromagnética e geração automatizada de dados.

• Ambiente de Simulação: Um ambiente de corredor (paredes, teto, chão) é reconstruído com propriedades dielétricas medidas para capturar a propagação de multipropagação e clutter realistas.
• Modelagem de Radar: Um radar FMCW virtual de 60 GHz, modelado com base no sensor Infineon BGT60TR13C, replica a configuração de antena, polarização e parâmetros de chirp (largura de banda de 882,35 MHz, 256 amostras por chirp) do hardware físico.
• Dinâmica Humana: Seções transversais de radar (RCS) variantes no tempo e trajetórias realistas são geradas usando malhas humanas 3D animadas derivadas dos datasets Mixamo e CMU Motion Capture.
• Geração de Dados: Um solver eletromagnético usando métodos de Shooting and Bouncing Rays (SBR) e Physical Optics (PO) computa os campos espalhados. A saída é organizada em cubos de dados complexos (amplitude e fase), que são convertidos em mapas de Range-Doppler (RD). Esta simulação de linha de base é referida como a RT (Ray-Tracing) baseline.

2. Pipeline de Processamento de Dados

Tanto os dados simulados quanto os reais passam por um pipeline de pré-processamento padronizado:

• Transformação: Uma FFT 2D é aplicada através das dimensões de tempo rápido (fast-time) e tempo lento (slow-time) para gerar mapas RD complexos.
• Normalização: As magnitudes são convertidas para decibéis (dB), limitadas a um intervalo fixo $[v_{min}, v_{max}]$ estimado a partir da simulação, e normalizadas para $[0, 1]$.
• Visualização: Os dados são mapeados via um colormap perceptualmente uniforme (viridis) para criar imagens de 3 canais para entrada em um modelo ResNet18 com uma cabeça de classificador específica para a tarefa (2 unidades para ocupação binária, 3 unidades para contagem de pessoas).
• Treinamento vs. Teste: O treinamento é realizado exclusivamente em mapas RD simulados. Um conjunto de dados real coletado no mesmo corredor (vazio, 1 pessoa, 2 pessoas) é mantido inteiramente separado para avaliação.

3. Randomização de Domínio Calibrada (CDR)

Para preencher o hiato de domínio, o artigo introduz uma etapa de Calibrated Domain Randomization (CDR), que alinha as estatísticas do nível de ruído global dos mapas RD simulados com ambientes reais, preservando as estruturas de micro-Doppler.

• Mecanismo: Um clamp por frame e por célula é aplicado no domínio dB: $\tilde{S}(i, j) = \max(S(i, j), N(i, j))$. Esta operação eleva as células de fundo excessivamente limpas da simulação para um nível de ruído amostrado.
• Random DR Baseline: Amostra ruído $N(i, j)$ de uma distribuição Gaussiana genérica com parâmetros heurísticos ($m \in [-130, -100]$ dB, $s \in [1, 4]$ dB).
• Abordagem CDR: Substitui a amostragem heurística por uma calibração orientada a dados de etapa única (one-shot). Uma sequência não rotulada de 10 segundos (100 frames) de um corredor real vazio é usada para computar a média empírica ($m_t$) e o desvio padrão ($s_t$) do nível de ruído real. A simulação então amostra o ruído $N_t(i, j) \sim \mathcal{N}(m_t, s_t^2)$ para conduzir a calibração.

Principais Contribuições

1. Framework Sim-to-Real Leve: O artigo propõe um framework que permite a detecção de ocupação e contagem de pessoas por radar FMCW confiáveis, utilizando apenas um simulador geométrico informado pela física e um pequeno conjunto de calibração real não rotulado.
2. Randomização de Domínio Calibrada (CDR): Um método inovador que alinha as estatísticas do nível de ruído simulado com observações do mundo real. Diferente da randomização de domínio padrão, a CDR usa uma única gravação curta do mundo real para calibrar a distribuição de ruído, efetivamente deslocando o histograma simulado em direção à distribuição real sem alterar as assinaturas discriminativas de micro-Doppler do movimento humano.
3. Gêmeo Digital Modular: Um sistema integrado que combina solvers eletromagnéticos (SBR/PO) com animação humana impulsionada por captura de movimento para gerar mapas RD realistas e rotulados.

Resultados

O framework foi avaliado em um conjunto de teste do mundo real para duas tarefas: detecção de ocupação binária e contagem de pessoas (1 vs. 2 pessoas).

• Detecção de Ocupação:
  • RT Baseline (Simulação Não Modificada): Teve dificuldade em generalizar, alcançando uma acurácia balanceada próxima de 50% (nível do acaso) devido ao descompasso de clutter e ruído.
  • Random DR: Melhorou a robustez para uma acurácia balanceada de ~83%, mas ainda exibia estruturas irreais.
  • CDR: Alcançou 97% de acurácia balanceada, reduzindo significativamente falsos negativos e falsos positivos em comparação com as baselines.
• Contagem de Pessoas:
  • RT Baseline: Falhou na transferência, alcançando ~33% de acurácia balanceada (adivinhação aleatória).
  • Random DR: Melhorou o desempenho para ~61% de acurácia balanceada, mas ainda confundia pesadamente as três classes.
  • CDR: Alcançou 72% de acurácia balanceada, com matrizes de confusão melhoradas, particularmente na distinção entre casos de um vs. duas pessoas. As classificações incorretas foram observadas principalmente em cenas ambíguas com sobreposição parcial ou oclusão Doppler.
• Análise de Características: A visualização das ativações do ResNet18 mostrou que o modelo treinado com CDR concentra as respostas nas células de range-doppler associadas ao movimento humano enquanto suprime a estrutura de fundo, enquanto o modelo baseline produziu respostas difusas dominadas por artefatos específicos do simulador.

Significância e Alegações

O artigo afirma que a Randomização de Domínio Calibrada é um método simples, leve e interpretável para transferência sim-to-real em percepção de radar. Ao calibrar os níveis de ruído simulados para corresponder às estatísticas globais de medições reais não rotuladas, a abordagem melhora significativamente o desempenho do modelo em dados de teste reais em comparação tanto com o treinamento de simulação pura quanto com a randomização de domínio não calibrada.

Os autores enfatizam que este framework é prático para sistemas de sensoriamento humano baseados em radar construídos a partir de simuladores modernos, pois evita a necessidade de ferramentas eletromagnéticas proprietárias, varreduras extensas de parâmetros ou grandes conjuntos de dados rotulados do mundo real. O trabalho sugere que pesquisas futuras podem estender esta abordagem para estimativa de ângulo de chegada e outras tarefas de reconhecimento de atividade, mas a contribuição atual é estritamente limitada à ocupação e contagem via alinhamento do nível de ruído.