Physics-informed generative neural networks for RF propagation prediction with application to indoor body perception

📄 arXiv: 2405.02131v2 📥 PDF

作者: Federica Fieramosca, Vittorio Rampa, Michele D'Amico, Stefano Savazzi

分类: eess.SP, cs.AI, eess.SY

发布日期: 2024-05-03 (更新: 2024-05-15)

DOI: 10.23919/EuCAP60739.2024.10501077

💡 一句话要点

提出一种物理信息生成神经网络，用于射频传播预测，应用于室内人体感知。

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 物理信息神经网络 生成神经网络 射频传播预测 人体感知 变分自编码器 电磁仿真 室内定位

📋 核心要点

  1. 传统电磁人体模型计算量大，难以满足实时人体定位和感知等计算成像需求。
  2. 论文提出一种物理信息生成神经网络，利用变分自编码器学习人体运动对电磁场的影响，并融入电磁衍射原理。
  3. 实验结果表明，该模型能有效重现电磁效应，并与传统电磁工具和全波电磁模拟结果相符。

📝 摘要（中文）

电磁(EM)人体模型旨在预测射频(RF)传播，但其计算耗时，阻碍了它们在严格的实时计算成像问题中的应用，例如人体定位和感知。最近提出了物理信息生成神经网络(GNN)模型来重现电磁效应，即通过结合相关的电磁原理和约束来模拟或重建缺失的数据或样本。本文讨论了一种变分自编码器(VAE)模型，该模型经过训练以重现人体运动对电磁场的影响，并结合了电磁人体衍射原理。所提出的物理信息生成神经网络模型通过经典的基于衍射的电磁工具和全波电磁人体模拟进行了验证。

🔬 方法详解

问题定义：论文旨在解决电磁人体模型在实时人体感知应用中计算量过大的问题。现有的电磁模型虽然精度较高，但计算复杂度高，难以满足实时性要求，限制了其在室内人体定位、姿态估计等领域的应用。

核心思路：论文的核心思路是利用生成神经网络（GNN）学习电磁传播的规律，并结合物理信息约束，从而在保证一定精度的前提下，显著降低计算复杂度。通过将电磁衍射原理融入神经网络的训练过程中，可以提高模型的泛化能力和预测精度。

技术框架：论文采用变分自编码器（VAE）作为基本的神经网络架构。VAE由编码器和解码器组成，编码器将输入数据（例如，人体姿态和电磁场分布）映射到潜在空间，解码器则从潜在空间重构输入数据。在训练过程中，模型同时学习重构误差和物理信息约束，例如电磁衍射方程。

关键创新：论文的关键创新在于将物理信息（电磁衍射原理）融入到生成神经网络的训练过程中。传统的GNN模型通常只依赖于数据驱动的学习，而忽略了物理规律的约束。通过将电磁衍射原理作为正则化项添加到损失函数中，可以引导模型学习更符合物理规律的电磁传播模式。

关键设计：论文的关键设计包括：1) 选择合适的VAE架构，包括编码器和解码器的网络结构；2) 设计合适的损失函数，包括重构误差项和物理信息约束项；3) 选择合适的电磁衍射模型，例如菲涅尔衍射或夫琅和费衍射，并将其转化为可微分的形式，以便于梯度下降优化；4) 调整超参数，例如学习率、批量大小和正则化系数，以获得最佳的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验验证了所提出的物理信息生成神经网络模型的有效性。实验结果表明，该模型能够准确地重现人体运动对电磁场的影响，并与传统的基于衍射的电磁工具和全波电磁模拟结果相符。具体的性能数据（例如，预测精度、计算时间）未知，但论文强调了该模型在计算效率方面的优势。

🎯 应用场景

该研究成果可应用于室内人体定位、姿态估计、健康监测等领域。例如，可以利用该模型预测人体运动对无线信号的影响，从而提高室内定位的精度和鲁棒性。此外，该模型还可以用于设计新型的无线感知系统，例如用于监测老年人的跌倒风险或评估运动康复的效果。未来，该技术有望应用于智能家居、智慧医疗等领域。

📄 摘要（原文）

Electromagnetic (EM) body models designed to predict Radio-Frequency (RF) propagation are time-consuming methods which prevent their adoption in strict real-time computational imaging problems, such as human body localization and sensing. Physics-informed Generative Neural Network (GNN) models have been recently proposed to reproduce EM effects, namely to simulate or reconstruct missing data or samples by incorporating relevant EM principles and constraints. The paper discusses a Variational Auto-Encoder (VAE) model which is trained to reproduce the effects of human motions on the EM field and incorporate EM body diffraction principles. Proposed physics-informed generative neural network models are verified against both classical diffraction-based EM tools and full-wave EM body simulations.