AutoFi：基于几何自监督学习的自动 WiFi 人体感知

WiFi 感知技术凭借其高性价比与保护隐私的优势，在各类传感器的智能家居中展现出优越性。它由从 WiFi 信号中提取的信道状态信息（CSI）与先进的机器学习模型赋能，以分析 CSI 中的运动模式。许多基于学习的模型已被提出用于各类应用，但它们严重受限于环境依赖性。尽管已有域适应方法解决此问题，但在新环境中为适应算法收集高质量、良好分割且均衡的 CSI 样本并不现实，而随机捕获的 CSI 样本则易于收集。本文中，我们首先探索如何从这类低质量 CSI 样本学习鲁棒模型，并提出 AutoFi，一种基于新颖几何自监督学习算法的低标注需求 WiFi 感知模型。AutoFi 充分利用随机捕获的无标注低质量 CSI 样本，然后将知识迁移至用户定义的特定任务，这是首个实现 WiFi 感知中跨任务迁移的工作。AutoFi 在一对 Atheros WiFi 接入点上实现以进行评估。AutoFi 将知识从随机收集的 CSI 样本迁移至人体步态识别，并取得了最先进的性能。此外，我们利用公开数据集模拟跨任务迁移，以进一步展示其跨任务学习能力。对于 UT-HAR 与 Widar 数据集，AutoFi 在无需任何先验训练的情况下于活动识别与手势识别上取得了满意结果。我们相信 AutoFi 朝着无需任何开发者参与的自动 WiFi 感知迈出了巨大一步。