[論文レビュー] Uni-Fi: Integrated Multi-Task Wi-Fi Sensing

Mengning Li, Wenye Wang|arXiv (Cornell University)|Jan 16, 2026

Indoor and Outdoor Localization Technologies被引用数 0

ひとこと要約

Uni-Fiは、前方モデルと逆モデルを統合して複数のWi-Fi sensingタスクを組み合わせる拡張可能なフレームワークを提示し、特徴セットからのプラグアンドプレイ型マルチタスク推定を実現します。

ABSTRACT

Wi-Fi sensing technology enables non-intrusive, continuous monitoring of user locations and activities, which supports diverse smart home applications. Since different sensing tasks exhibit contextual relationships, their integration can enhance individual module performance. However, integrating sensing tasks across different studies faces challenges due to the absence of: 1) a unified architecture that captures the fundamental nature shared across diverse sensing tasks, and 2) an extensible pipeline that accommodates future sensing methodologies. This paper presents UNI-FI, an extensible framework for multi-task Wi-Fi sensing integration. This paper makes the following contributions: 1) we propose a unified theoretical framework that reveals fundamental differences between single-task and multi-task sensing; 2) we develop a scalable sensing pipeline that automatically generates a multi-task sensing solver, enabling seamless integration of multiple sensing models. Experimental results show that UNI-FI achieves robust performance across tasks, with a median localization error of approximately 0.54 m, 98.34% accuracy for activity classification, and 98.57% accuracy for presence detection.

研究の動機と目的

• 単一タスクとマルチタスクのWi-Fi sensingの統一理論を形式化する。
• 新しい sensing タスクと特徴を統合するためのスケーラブルでデータ駆動型のパイプラインを開発する。
• マルチタスク sensing のための聚合逆モデルの自動生成を可能にする。
• 位置推定、姿勢分類、出現検知にわたる堅牢なマルチタスク性能を示す。

提案手法

• イベントセットと特徴セットを定義し、イベントから特徴へと前方モデルでマッピングする。
• 合成イベント系列と前方モデルを用いて特徴系列とデータセットを構築する。
• 特徴を元のイベントへマップする聚合逆モデルを学習するデータ駆動型ニューラルネットワークを訓練する。
• 特徴統合とモデル設計の再設計を分離するモジュール型パイプラインを実装する。
• マルチタスク予測の共有デ decoder を用いた統一推論トラックを採用する。
• 位置推定、姿勢分類、出現検知を評価するためにCSIデータで評価する。

実験結果

リサーチクエスチョン

• RQ1 前方モデルネットワークを介して単一タスク sensing をマルチタスク sensing に結びつける統一的形式化とは何か。
• RQ2 新しい sensing タスク/特徴を再設計せずにスケーラブルなパイプラインはどのように構築できるか。
• RQ3 データ駆動型の聚合逆モデルは、特徴セットからのプラグアンドプレイ型マルチタスク sensingを可能にするか。

主な発見

• 推定 Localization の誤差は約 0.54 m。
• 活動（姿勢）分類の精度は 98.34%。
• 出現検知の精度は 98.57%。
• Uni-Fi は環境とタスクを問わず堅牢な性能を発揮する。
• ローカライズ誤差の 90% は device-free tracking で 0.43 m 未満である。
• CPU 上でのサンプルあたりの推論待機時間は約 0.05 s で、リアルタイム展開をサポートする。