Resumo Técnico: RePos – Fatoração de Pose Relativa-para-Absoluta para Estimativa de Pose Humana 3D Baseada em WiFi entre Ambientes

1. Declaração do Problema

O artigo aborda o desafio crítico da generalização entre ambientes na estimativa de pose humana 3D sem dispositivos (device-free) utilizando Informação de Estado de Canal (CSI) de WiFi comercial. Embora a detecção por WiFi ofereça alternativas preservadoras de privacidade e robustas à iluminação em comparação aos sistemas baseados em câmeras, os modelos existentes têm dificuldade em serem implantados em ambientes não vistos sem calibração por ambiente.

A dificuldade central reside na natureza do CSI: ao contrário das imagens, o CSI carece de correspondência espacial localizada com partes do corpo e é fortemente moldado pela propagação multitrajeto específica do layout da sala, móveis e geometria transmissor-receptor. Consequentemente, os modelos que regridem poses absolutas (coordenadas das articulações no espaço da sala) tendem a emaranhar a estrutura corporal com pistas de posição específicas do ambiente. Esse "sobreajuste de coordenadas" (coordinate overfitting) permite que os modelos alcancem alta precisão dentro de um único ambiente de treinamento, mas causa uma degradação acentuada de desempenho quando implantados em salas não vistas, pois os vieses de posição aprendidos não são transferíveis.

2. Metodologia: Estrutura RePos

Os autores propõem o RePos (Relative-to-Absolute Pose), uma estrutura fatorada que desacopla a predição da estrutura corporal da localização absoluta. Em vez de aprender um mapeamento único do CSI para coordenadas absolutas, o RePos divide a tarefa em dois ramos treinados independentemente que são recombinados na saída.

A. Fatoração de Pose

A pose absoluta $J_{abs}$ é decomposta em:
$$J_{abs} = J_{rel} + r$$
Onde $J_{rel}$ é a pose relativa à raiz (configuração corporal independente de translação global) e $r$ é a posição da raiz (localização da pelve na sala).

• Ramo de Estrutura: Treinado apenas em $J_{rel}$, sem receber supervisão de posição absoluta. Isso evita que pistas de posição específicas do ambiente vazem para a representação estrutural.
• Ramo de Localização: Treinado para prever $r$ a partir da amplitude do CSI, atuando como um prior espacial aprendível.

B. Estágio 1: Decodificador de Pose Estruturada (Ramo de Estrutura)

Este estágio estima a pose relativa à raiz $J_{rel}$ através de uma arquitetura específica de modalidade projetada para impor estrutura anatômica ao CSI bruto:

1. Codificador de CSI: Processa a amplitude do CSI em características codificadas usando uma CNN e um Transformer.
2. Consultas de Latentes de Partes do Corpo (BP-LQs): Introduz uma representação intermediária estruturada. Tokens latentes aprendíveis são agrupados em seis regiões anatômicas (cabeça, tronco, braços esquerdo/direito, pernas esquerda/direita). Esses tokens atuam como consultas para atender às características do CSI, criando um gargalo que organiza a informação por parte do corpo, em vez de sinal bruto.
3. Atenção de Grafo de Esqueleto (SGA): Um módulo de atenção de grafo que refina as BP-LQs. Ele utiliza uma matriz de adjacência binária para impor restrições de conectividade esquelética (ex: o tronco conecta-se aos membros) durante o refinamento de características, garantindo que a representação intermediária respeite a topologia anatômica antes da decodificação das articulações.
4. Decodificador Parte-para-Articulação: Agrega características de nível de parte e as decodifica em 17 coordenadas de articulações relativas à raiz.

C. Estágio 2: Rede de Prior Espacial Baseada em Amplitude (ASPN)

Este estágio estima a posição da raiz $r$ usando apenas a amplitude do CSI (ignorando a fase, muitas vezes não confiável, em dispositivos comerciais):

1. Código de Modulação Latente: Uma CNN mapeia a amplitude do CSI para um código latente aprendível, que modula a amplitude para sintetizar um sinal complexo.
2. Decomposição Espacial Diferenciável: O sinal sintetizado passa por uma decomposição motivada pela física, mas aprendível, envolvendo beamforming apenas de recepção (espectro angular) e IFFT (Transformada Rápida de Fourier Inversa) para gerar um mapa de calor espacial. Isso cria uma representação espacial otimizada para localização sem exigir calibração explícita de fase física.
3. Regressor de Raiz: Uma CNN e um MLP predizem a posição da raiz 3D a partir do mapa de calor espacial.

D. Estratégia de Treinamento

O modelo é treinado em dois estágios sequenciais:

1. Estágio 1: Otimiza todo o Decodificador de Pose Estruturada em alvos relativos à raiz com um regularizador de comprimento de membros.
2. Estágio 2: Congela o Estágio 1 e otimiza apenas os parâmetros do ASPN usando alvos de pose absoluta. Isso garante que o ramo de estrutura não seja corrompido por gradientes de posição.

E. RePos-D (Variante In-Domain)

Para implantação em ambiente único onde as pistas de posição são consistentes, os autores introduzem o RePos-D, uma variante direta que utiliza o mesmo backbone do Estágio 1, mas regride a pose absoluta de ponta a ponta, omitindo a fatoração e o ASPN.

3. Principais Contribuições

1. Estrutura Fatorada: O RePos aborda o sobreajuste de coordenadas separando a estimativa de pose relativa à raiz da localização da raiz, garantindo que o ramo de estrutura aprenda representações estáveis ao ambiente.
2. Consultas de Latentes de Partes do Corpo (BP-LQs): Uma representação de tokens latentes agrupados anatomicamente que impõe estrutura esquelética antes da decodificação das articulações, refinada pela Atenção de Grafo de Esqueleto (SGA).
3. Localização Sem Calibração: O design do ASPN, que estima a posição da raiz a partir da amplitude do CSI via decomposição espacial diferenciável, evitando a necessidade de fase calibrada ou estimativa física de AoA/ToF.
4. Desempenho de Estado da Arte: Demonstrou desempenho superior tanto em configurações de ambiente cruzado quanto in-domain.

4. Resultados Experimentais

O método foi avaliado no conjunto de dados MM-Fi (ambiente cruzado) e Person-in-WiFi-3D (in-domain).

• Ambiente Cruzado (MM-Fi): Sob o protocolo estrito (treinar nos ambientes E01–E03, testar no ambiente não visto E04), o RePos reduziu o Erro Médio de Posição por Articulação (MPJPE) em 10–21% em comparação com métodos existentes baseados apenas em WiFi (ex: DT-Pose, MetaFi++).
  • O RePos alcançou um MPJPE de 254.4–296.1 mm em protocolos de atividade.
  • Crucialmente, o Erro de Posição da Raiz foi reduzido significativamente (ex: 203 mm vs. >260 mm para os baselines), enquanto o PA-MPJPE (alinhado por Procrustes, medindo a forma do corpo) permaneceu comparável aos baselines. Isso confirma que a melhoria provém de um melhor tratamento da localização, e não de uma mudança fundamental na capacidade de reconstrução da estrutura.
• In-Domain (Person-in-WiFi-3D): A variante direta RePos-D alcançou 86.9 mm de MPJPE, uma melhoria de 3.4% sobre o melhor método anterior (DT-Pose com 90.0 mm), demonstrando que o backbone é altamente eficaz quando o ambiente é fixo.
• Estudos de Ablação:
  • Remover a fatoração (usando RePos-D em configurações de ambiente cruzado) causou a degradação do desempenho para os níveis do baseline, confirmando a necessidade de separar estrutura e posição.
  • Remover BP-LQs ou SGA degradou tanto a estrutura quanto a precisão da raiz, validando a importância do agrupamento anatômico.
  • A análise de erro mostrou que os dois ramos não cascateiam erros; o ramo de localização é robusto ao ruído no ramo de estrutura.

5. Significância e Alegações

O artigo afirma que o principal obstáculo para a detecção por WiFi implantável não é a incapacidade de reconstruir a forma do corpo, mas o emaranhamento da estrutura corporal com pistas de posição específicas do ambiente.

• Viés Arquitetural sobre Invariância de Características: Os autores enfatizam que o RePos não tem sucesso por aprender "características invariantes ao ambiente". A análise mostra que as representações internas (incluindo características de estrutura) permanecem fortemente separáveis por ambiente. Em vez disso, o sucesso vem de um viés indutivo arquitetural que roteia a quantidade dependente do ambiente (posição) para um ramo separado, permitindo que o ramo de estrutura permaneça supervisionado apenas pelo alvo estável ao ambiente (pose relativa).
• Implantação Prática: A estrutura permite que um modelo treinado em um conjunto de ambientes de origem execute em um ambiente alvo não visto sem calibração ou ajuste fino (fine-tuning).
• Escopo e Limitações: Os autores observam modestamente que, embora o RePos reduza significativamente a lacuna entre ambientes, o ramo de localização ainda carre o peso do ambiente (o erro da raiz permanece em ~260 mm). O método é apresentado como um localizador grosseiro e sem calibração, adequado para aplicações como detecção de quedas e monitoramento de saúde, mas pode exigir melhorias para interações de AR/VR mais refinadas. Os autores também reconhecem limitações quanto a restrições de pessoa única e a necessidade de trabalhos futuros sobre dados de livre circulação e cenários de múltiplas pessoas.

Em resumo, o RePos fornece um backbone unificado que suporta tanto a implantação in-domain de alta precisão (via RePos-D) quanto a implantação robusta e sem calibração entre ambientes (via RePos), abordando efetivamente o modo de falha de sobreajuste de coordenadas inerente às abordagens atuais de detecção por WiFi.