[논문 리뷰] Intelligent Electromagnetic Sensing with Learnable Data Acquisition and Processing

Haoyang Li, Hanting Zhao외 5명|arXiv (Cornell University)|2019. 12. 05.

Indoor and Outdoor Localization Technologies인용 수 10

한 줄 요약

이 논문은 가변 메타표면을 사용한 학습 가능한 데이터 수집 시스템과 변동형 오토에인코더 기반의 데이터 기반 처리 파이pline을 통합한 지능형 전자기 센싱 프레임워크를 제안한다. 삼중 포트 딥 네URAL 네트워크를 통해 측정 전략과 후처리를 공동 최적화함으로써, 마이크로파 실험에서 측정 수를 크게 줄이고도 고품질의 영상과 정확한 물체 인식을 달성한다.

ABSTRACT

Electromagnetic (EM) sensing is a wide-spread contactless examination technique in science, engineering and military. However, conventional sensing systems are mostly lack of intelligence, which not only require expensive hardware and complicated computational algorithms, but also pose important challenges for advanced in-situ sensing. To address this shortcoming, we propose the concept of intelligent sensing by designing a programmable metasurface for data-driven learnable data acquisition, and integrating it into a data-driven learnable data processing pipeline. This strategy allows to learn an optimal sensing chain in systematic sense of variational autoencoder, i.e., to jointly learn an optimal measurement strategy along with matching data post processing schemes. A three-port deep artificial neural network (ANN) is designed to characterize the measurement process, such that an optimal measurement strategy is adaptive to the subject of interest by controlling the programmable metasurface for manipulating the EM illuminations. We design and fabricate a proof-of-principle sensing system in microwave, and demonstrate experimentally its significance on the high-quality imaging and high-accuracy object recognition from a remarkably reduced number of measurements. We faithfully expect that the presented methodology will provide us with a fundamentally new perspective on the design of intelligent sensing architectures at various frequencies, and beyond.

연구 동기 및 목표

• 고정된 하드웨어와 고비용의 복잡한 알고리즘에 의존하는 전통적인 전자기 센싱 시스템의 한계를 극복하기 위해.
• 적응형 지능형 데이터 수집 및 처리를 가능하게 하여 고도화된 현장 내 센싱 도전 과제를 해결하기 위해.
• 측정 및 처리를 공동 최적화하는 통합적이고 학습 가능한 센싱 체인을 설계하기 위해.
• 마이크로파 대역에서 프로그래머블 메타표면을 활용한 데이터 기반 센싱 아키텍처의 실현 가능성을 입증하기 위해.

제안 방법

• 가변 메타표면을 사용하여 전자기 조명을 제어함으로써, 대상 물체에 맞게 적응형 데이터 수집이 가능하도록 한다.
• 삼중 포트 딥 네URAL 네트워크가 측정 과정을 모델링하여, 입력 데이터에 기반한 최적의 측정 전략을 학습할 수 있도록 한다.
• 센싱 파이프라인은 변동형 오토에인코더 구조로 구성되어, 엔드 투 엔드 학습이 가능한 방식으로 측정과 후처리를 공동 최적화할 수 있다.
• 시스템은 희소 측정 조건 하에서 재구성 오차를 최소화하고 추론 정확도를 향상시키기 위해 엔드 투 엔드로 훈련된다.
• 실제 하드웨어를 사용하여 실증 검증을 위한 마이크로파 센싱 시스템의 개념 증명용 실물 장치를 제작하였다.
• 이 프레임워크는 센싱 하드웨어(메타표면)와 신호 처리 알고리즘 양쪽 모두에 대한 데이터 기반 최적화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 전자기 센싱을 위한 데이터 수집과 처리를 공동 최적화할 수 있는 학습 가능한 센싱 체인을 설계할 수 있는가?
• RQ2 프로그래머블 메타표면과 딥 네URAL 네트워크를 통합하면, 더 적은 측정 수로도 센싱 성능을 향상시킬 수 있는가?
• RQ3 데이터 기반 접근 방식은 전자기 센싱에서 하드웨어 복잡성과 계산 비용을 어느 정도 줄일 수 있는가?
• RQ4 제안된 프레임워크는 희소 측정 조건 하에서도 고정밀도의 물체 인식과 영상 재구성 성능을 달성할 수 있는가?
• RQ5 시스템은 대상 물체의 특성에 따라 측정 전략을 어떻게 적응적으로 조정하는가?

주요 결과

• 제안된 시스템은 기존 방법에 비해 놀랍도록 줄어든 측정 수로도 고품질의 영상 재구성과 정확한 물체 인식을 달성한다.
• 제작된 마이크로파 시스템에서의 실험 결과는 학습 가능한 센싱 프레임워크의 실현 가능성과 효율성을 확인한다.
• 변동형 오토에인코더 프레임워크를 통한 측정 및 처리의 공동 최적화는 재구성 정밀도와 분류 정확도 향상에 기여한다.
• 삼중 포트 딥 네URAL 네트워크를 통해 가변 메타표면의 제어가 적응적으로 가능해져, 대상 물체에 맞는 전자기 조명을 조절할 수 있다.
• 희소 측정 조건 하에서도 영상 재구성 및 인식 작업 모두에서 뛰어난 성능을 보여준다.
• 이 방법론은 다양한 주파수 대역에서 지능형 센싱 아키텍처를 설계하는 데 새로운 체계적인 접근을 제공한다.