面向被动雷达的Wi-Fi感知数据的神经符号融合与跨模态知识迁移

Wi-Fi设备类似于被动雷达，由于人体与电磁信号的相互作用，能够辨识室内环境中的人类活动。当前的Wi-Fi感知应用主要采用数据驱动学习技术，将通信信道物理特性的波动与引发这些波动的人类活动关联起来。然而，这些技术往往缺乏所需的灵活性和透明性。本文引入DeepProbHAR，一种神经符号架构用于Wi-Fi感知，首次证明Wi-Fi信号可区分简单运动（如腿部或手臂运动），这些运动是人类活动（如跑步或行走）的组成部分。神经符号方法无需额外的专门数据收集或标注，即可收集此类证据。DeepProbHAR的训练由来自摄像头 feed 的声明式域知识和融合Wi-Fi接收器来自不同天线的信号所促进。DeepProbHAR在人类活动识别方面达到了与最先进技术相当的效果。此外，作为学习过程的副产品，DeepProbHAR生成的专用简单运动分类器准确率与在精细标注数据集上训练的模型相当，这将特别昂贵。