技术摘要：生成式 4D 世界中的可扩展射频仿真

问题陈述

射频（RF）传感为 3D 成像、人类活动识别和健康监测等任务提供了一种保护隐私的替代方案，可取代基于视觉的方法。然而，该领域受限于缺乏大规模、高质量的 dataset。由于房间布局、人类活动及个体差异的多样性，获取真实世界的射频数据成本高昂且难以扩展。此外，射频传感系统在硬件配置（带宽、天线布局、调制方式）上存在显著差异，使得跨系统的数据复用极具挑战。

现有的仿真方法面临两个主要局限：

1. 基于物理的仿真：早期方法往往聚焦于人体交互，而忽略了周围环境。这对于射频传感至关重要，因为多径传播（来自墙壁、地板和物体的反射）会显著影响接收信号并限制泛化能力。
2. 基于学习的合成：数据驱动的方法通常需要先拥有大量标注数据集，且难以泛化到特定的、预定义的传感器配置之外。它们往往缺乏物理可解释性，未能显式建模多径效应或信号相位相干性。

此外，当前用于生成仿真中人类运动的方法通常依赖于时间索引轨迹（规定精确的位置、速度和持续时间）。这种方法约束过强，需要大量人工努力，并限制了生成模型产生多样化、自然运动的能力。

方法论：WAVEVERSE

作者提出了 WAVEVERSE，这是一个基于提示（prompt-based）、可扩展的框架，将 4D 世界生成与基于物理的射频仿真相结合。该系统在两个核心阶段运行：

1. 4D 世界生成

WAVEVERSE 利用大语言模型（LLM）生成多样化的 3D 室内环境和动态人类运动，由空间路径而非刚性轨迹引导。

• 环境生成：给定文本提示，系统构建语义对齐的 3D 环境（平面图、物体类别、摆放位置），表示为显式网格。它利用 LLM 为物体分配介电属性（介电常数和电导率），以确保物理真实性。
• 运动生成：WAVEVERSE 不规定时间索引轨迹，而是采用基于路径的条件策略。LLM 生成运动描述和一组 2D 航点（路径），指示运动发生的位置，而将速度、风格和持续时间保持灵活。
• 状态感知因果 Transformer：为了生成以文本和路径为条件的运动序列，作者提出了一种状态感知因果 Transformer。与仅基于历史预测下一个 token 的标准自回归模型不同，该模型将每次预测基于当前空间状态（前一帧的 2D 位置）进行条件化。这确保了生成的运动遵循路径。
• 路径掩码策略：为了防止模型过度拟合路径信息而牺牲文本对齐，训练过程中采用了路径掩码策略。随机掩码路径的连续片段，迫使模型依赖文本语义，从而提高泛化能力。

2. 相位相干射频信号仿真

给定生成的 4D 场景，WAVEVERSE 使用定制的射线追踪引擎仿真射频信号，该引擎旨在保持相位相干性，这对于成像和生命体征监测等任务至关重要。

• 相位相干射线追踪：传统射线追踪随机发射射线，导致不同雷达位置（空间非相干）和随时间变化（时间非相干）的射线 - 表面交互不一致。WAVEVERSE 通过以下方式解决此问题：
  • 空间相干性：从代表性参考雷达追踪射线，并通过替换发射机/接收机坐标同时保留表面交互点序列，将这些路径映射到其他雷达姿态。
  • 时间相干性：将射线 - 表面交互从单个网格顶点重新映射到语义相干的组（例如，特定的身体部位）。随着人体移动，射线被扩展以击中同一组内的所有顶点，确保随时间变化的相位一致性。
• 信号建模：系统将信道冲激响应（CIR）建模为路径的叠加，计算传播延迟、复系数（衰减和相位）、出发角（AoD）和到达角（AoA）。接收信号通过与发射波形卷积计算得出。
• 灵活性：该框架支持任意天线配置、频段和采样率，无需重新训练。

主要贡献

1. WAVEVERSE 框架：一个混合生成 - 仿真框架，能够从生成的人类运动 4D 室内场景中合成逼真、多样化的射频信号。
2. 基于路径的运动条件化：一种新颖策略，将空间引导与时间约束解耦，无需手动轨迹设计即可实现可扩展且多样化的运动生成。
3. 状态感知因果 Transformer：一种运动生成模型，其 token 预测基于当前空间状态进行条件化，在路径遵循和文本 - 运动对齐方面优于基线模型。
4. 相位相干射线追踪：一个基于物理的仿真引擎，显式保持空间和时间相位相干性，无需事后基于学习的细化即可实现高保真度仿真相位敏感的射频现象。

结果

论文通过基准测试、消融研究和真实世界案例研究评估了 WAVEVERSE：

• 运动生成：在 HumanML3D 数据集上，WAVEVERSE 在 R-Precision、FID 和路径遵循指标（路径误差和结束误差）方面优于最先进的扩散和自回归基线（MDM, OmniControl, MotionLCM, T2M-GPT）。它实现了最低的路径误差（0.208）和结束误差（0.045）。
• 相位相干性验证：
  • 空间：在全景成像任务中，与标准射线追踪相比，相位相干追踪产生的图像清晰得多，鬼影反射显著减少。
  • 时间：在呼吸追踪中，该方法相对于真实值的均方根误差（RMSE）为 0.08，动态时间规整（DTW）为 8.89，显著优于基线（0.14 RMSE, 12.68 DTW）。
  • 保真度：仿真信号与真实世界的距离 - 时间频谱图相似度达 93.65%，与专有电磁求解器（Ansys HFSS）生成的距离 - 角度热力图相比，峰值信噪比（PSNR）为 33.57 dB。WAVEVERSE 在不到一秒钟内实现这些结果，而 HFSS 需要超过一小时。
• 下游任务性能：
  • 射频成像：当用于数据增强时，WAVEVERSE 一致地降低了深度预测误差。使用 4 倍仿真数据，其平均绝对误差（MAE）额外降低了 2.02 厘米，PSNR 提高了 1.51 dB，优于那些随着合成数据增加而性能停滞或下降的基线。
  • 人类活动识别：使用 WAVEVERSE 数据进行增强，将分类准确率从 31.6% 的基线提升至 71.6%（使用 19 倍仿真数据），超过了 RF Genesis（一种基于学习的合成方法）的性能，后者在 54.6% 处达到平台期。

意义与主张

作者声称，WAVEVERSE 通过提供一种可扩展、基于物理的方法来生成高保真度合成数据，解决了射频传感中数据稀缺的关键瓶颈。通过将生成多样性与物理真实性相结合，该框架实现了：

• 保护隐私的传感：促进健康监测和活动识别研究，无需捕获敏感的视觉数据。
• 跨系统泛化：提供一个统一的仿真环境，可适应各种硬件配置，有望标准化该领域的基准测试。
• 可扩展性：能够生成大规模、多样化的数据集，从而改善数据受限和数据丰富场景下的下游任务性能，这是现有基于学习或传统仿真方法所缺乏的能力。

论文结论指出，WAVEVERSE 代表了使射频传感研究更具可访问性和鲁棒性的重要一步，尽管它承认在细粒度的人 - 物交互和衍射等复杂波现象方面存在局限性，这些将留待未来工作解决。