超越幅度：基于相位感知的深度融合用于机器人活动识别
机器人学
2026-03-11 v1 信号处理
摘要
Wi-Fi 信道状态信息（CSI）作为一种前线无视距感知模态，正在成为人类和机器人活动识别的热门选择。然而，先前的工作主要依赖 CSI 的幅度信息，而在相位信息的利用上严重不足，尤其是在机器人机臂活动识别方面。本文提出了一种用于机器人活动识别的 Wi-Fi sensing 的 GateFusion-Bidirectional 长短期记忆网络（GF-BiLSTM）。GF-BiLSTM 是一个双流门控融合网络，分别对幅度和相位进行编码，并通过学习到的门控机制对每个时间点的特征进行自适应集成。我们在四种输入配置下（仅幅度、仅相位、幅度+未包装相位、幅度+已清理相位）系统评估了最新的深度学习模型，采用离开单个速度留存法（Leave-One-Velocity-Out, LOVO）进行评估。实验结果表明，在幅度信息中加入相位信息可持续提高识别准确率和跨速度鲁棒性，GF-BiLSTM 取得最佳性能。就已知的如何为机器人活动识别系统性地探索 CSI 相位而言，本工作是首次实现，并确立了基于 Wi-Fi 的 sensing 中相位信息的关键作用。
引用
@article{arxiv.2603.09047,
title = {Beyond Amplitude: Channel State Information Phase-Aware Deep Fusion for Robotic Activity Recognition},
author = {Rojin Zandi and Hojjat Salehinejad and Milad Siami},
journal= {arXiv preprint arXiv:2603.09047},
year = {2026}
}
备注
Accepted at 2026 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), May 4--8, 2026, Barcelona, Spain