无线感知论文速览 | Arxiv 2023, Differentiable Radio Frequency Ray Tracing for Millimeter-Wave Sensing

注1 此文属于"最新论文速览"系列中的一篇,旨在阐述并解析顶级会议与期刊的研究成果

Differential Radio-Frequency Ray-Tracing Technique for Millimeter-Wave Sensing Technology

论文原文链接: https://arxiv.org/abs/2311.13182

Abstract

• 提出了一种名为DiffSBR的新型毫米波感知范式；这种范式以可微分射频(RF)射线追踪为基础，并实现了从稀疏毫米波信号到详细三维重建的过程。
• 该方法的核心在于采用了可微分RF模拟器这一关键组件；通过这一组件实现了信号的反向传播，并结合渐进优化算法完成了三维重建过程。
• 与现有的数据驱动方法相比,DiffSBR突破了传统方法对数据集容量和泛化能力的限制;它无需依赖大量人工标注的数据进行训练。
• 实验结果表明，在多种不同的雷达平台上,DiffSBR都能够实现高精度的三维重建效果;即便目标物体在之前并未被任何雷达探测到过。

Introduction

• 毫米波雷达传感技术具有应用潜力,然而稀疏信号的精确三维重建仍面临诸多挑战

• 现有方法主要依赖于数据驱动的学习方式,其性能受限于所使用的数据集以及泛化能力

• 本研究提出了一种名为DiffSBR的新方法,该方法通过融合可微分射频仿真技术和渐进优化策略来实现毫米波三维重建

• 可微分射频射线追踪技术能够实现信号反向传播过程

• 通过渐进优化策略匹配虚拟物体与实际雷达采集到的点云数据

  • DiffSBR超越数据驱动方法局限 ,易于泛化,无需大量先验雷达训练数据

Related Work

• 毫米波雷达技术的研究进展
• 现有的电磁波计算方法在优化任务方面存在局限性
• 传统的神经网络渲染技术侧重于视觉效果，在这一领域表现出色。然而，在射频领域的发展上，则进一步得益于DiffSBR（深度学习可微分射频）这一创新性方法的出现。

System Design

• 基于迭代优化框架的DiffSBR实现了3D场景的重建。

  • 在点云初始化阶段采用了参数化表示方法，并以降低搜索空间复杂度为目标进行建模。

  • 核心采用了可微分射频射线追踪技术，并通过正向传播模拟信号过程。

    • 分别针对连续积分和不连续积分情况设计了可微分追踪算法，并实现了反向传播过程。

  • 定义空间多天线损失函数,配合SGD进行渐进优化重建3D场景

\begin{aligned} 该积分结果 I &= \int P f(p, Θ) dp \\ &\approx 近似于 ˆI = 取平均值的结果 \frac{1}{N}\sum_{i=1}^{N} f(p_i, Θ) \end{aligned}

Implementation

• 对进行了对3种具有代表性的毫米波雷达平台的评估
  • 在6个室内和6个室外环境中以及7个目标类别中
  • 在3D场景建模中，人体和汽车采用参数化表示方法；而自行车等则采用静态网格模型。
  • 对初始点云数据进行优化处理，并使其与实际信号数据相匹配。
  • 将其与基于RGB-D相机的真实数据进行对比验证。

Experiments

• DiffSBR在各环境中共具3D重建能力，在面对多个目标时平均达到了SSIM值为0.88
• 其单目标重建的SSIM最高可达到0.92，并且深度误差控制在5%以内
• 该系统显著超越了现有数据驱动HawkEye方法所能达到的效果
• 该系统的模拟精度高达与全波型计算软件（FDTD）的SSIM值接近（约达0.99）

Conclusion

• 开发DiffSBR这一技术,从而实现了可微射频仿真模型与渐进优化方法的有效结合,开创了毫米波感知领域的全新研究范式。
• 通过实验研究发现,该系统能够实现目标几何形状和材质属性的精确重建。
• 研究成果突破传统数据驱动方法的局限性,在不同目标、环境以及雷达硬件条件下展现出广泛的适用性。
• 该研究开拓了射频信号利用与计算感知融合的新研究方向。