[論文レビュー] SimHumalator: An Open Source WiFi Based Passive Radar Human Simulator For Activity Recognition

Shelly Vishwakarma, Wenda Li+4 more|arXiv (Cornell University)|Mar 2, 2021

Advanced SAR Imaging Techniques参考文献 36被引用数 11

ひとこと要約

本稿では、IEEE 802.11g準拠の信号モデルとマーカー式人体運動キャプチャデータを統合することで、合成されたWiFiパassiveレーダー微ドップラー特徴を生成するオープンソースのMATLABベースのシミュレータ、SimHumalatorを提示する。本シミュレータは、高精度な人体活動認識シナリオのシミュレーションを可能にし、シミュレートされたデータに対して深層学習モデルで95%以上の分類精度を達成するとともに、実環境測定では約90%の精度を示し、実世界のパssiveレーダー応用における強力な可能性を示している。

ABSTRACT

This work presents a simulation framework to generate human micro-Dopplers in WiFi based passive radar scenarios, wherein we simulate IEEE 802.11g complaint WiFi transmissions using MATLAB's WLAN toolbox and human animation models derived from a marker-based motion capture system. We integrate WiFi transmission signals with the human animation data to generate the micro-Doppler features that incorporate the diversity of human motion characteristics, and the sensor parameters. In this paper, we consider five human activities. We uniformly benchmark the classification performance of multiple machine learning and deep learning models against a common dataset. Further, we validate the classification performance using the real radar data captured simultaneously with the motion capture system. We present experimental results using simulations and measurements demonstrating good classification accuracy of $\geq$ 95\% and $\approx$ 90\%, respectively.

研究の動機と目的

• パssive WiFiセンシングにおける人体活動認識のための、大規模で多様性に富み、公開可能なレーダーデータセットの不足に対処すること。
• さまざまなレーダー設定や環境条件下での人体運動に起因する微ドップラー特徴を現実的にモデル化するシミュレーションフレームワークを開発すること。
• シミュレーションと実測データの両方から得られる統一されたデータセットを用いて、機械学習および深層学習モデルのベンチマークを実施すること。
• ノイズ、多途径、遮蔽などの実世界の障害要因に対して、深層学習モデルのロバストネスを検証すること。
• パssiveレーダーセンシングのためのデータ取得のための研究作業とコストを低減するオープンソースツールをリリースすること。

提案手法

• シミュレータは、カARRIER周波数、帯域幅、変調方式などのパラメータを設定可能なMATLABのWLANツールボックスを用いて、IEEE 802.11g準拠のWiFi信号を生成する。
• 人体の運動軌跡は、マーカー式モーショングレーピングシステム（PhaseSpace）を用い、時間経過に伴う3次元空間における17の身体部の位置を追跡することで得られる。
• シミュレータは、動く身体部に起因するドップラー周波数変化をモデル化し、運動データと電磁波散乱の原則を統合することで、時間変動するレーダー戻り信号を計算する。
• モノステート、バイステートインライン、バイステートサーキュラーの複数のレーダー設定をサポートし、コherent処理間隔（CPI）およびパルス繰返し間隔（PRI）を調整可能にしている。
• 微ドップラースペクトログラムは、シミュレートされたベースバンド信号から生成され、分類モデルの入力データとして用いられる。
• 本フレームワークは、ターゲットの運動（例：歩行、立ち止まり、ジャンプ）やセンサーパrameter、信号処理設定を体系的に変化させることで、多様なデータセットの生成を可能にする。

実験結果

リサーチクエスチョン

• RQ1 シミュレーションフレームワークは、パssive WiFiレーダー状況下での人体運動の微ドップラー特徴を正確に再現できるか？
• RQ2 異なる機械学習および深層学習モデルは、シミュレーションと実測の両方のデータから得られる統一されたデータセット上で、どのように性能を発揮するか？
• RQ3 ノイズや多途径などの環境要因が、従来の特徴ベースの手法と比較して、古典的手法の性能にどの程度悪影響を及えるか？
• RQ4 シミュレートされたデータは、実測データと同等の分類精度を達成できるか？これにより、シミュレータの現実性が裏付けられるか？
• RQ5 実際のパssiveレーダー環境下で、信号対雑音比（SNR）が深層学習モデルの性能にどのように影響するか？

主な発見

• SimHumalatorシミュレータは、複数の深層学習モデルを用いて、シミュレートされた微ドップラースペクトログラムで平均95%以上の分類精度を達成した。
• モーショングレーピングと同時に取得した実環境測定データに対して、最高性能を示したモデル（ResNet）は、平均92.6%の分類精度を達成した。
• 手動で選択された特徴やスパース特徴に依存する古典的手法は、実データで平均66.6%の精度にとどまり、環境ノイズや多途径に対して著しく脆弱であることが示された。
• 特にResNetを含む深層ニューラルネットワークは、ノイズや多途径などの実世界の障害要因に対して優れたロバストネスを示し、従来の特徴ベース手法を上回った。
• シミュレーションデータと実データの間の性能差は比較的小さく（実データで約90%、シミュレーションで≥95%）、シミュレータの忠実性が裏付けられた。
• 本研究は、厳しい条件下でも、パssive WiFiベースの人体活動認識において、古典的手法よりも深層学習がより実用的であることを確認した。