[논문 리뷰] Uni-Fi: Integrated Multi-Task Wi-Fi Sensing

Mengning Li, Wenye Wang|arXiv (Cornell University)|2026. 01. 16.

Indoor and Outdoor Localization Technologies인용 수 0

한 줄 요약

Uni-Fi는 여러 Wi-Fi 센싱 작업을 통합하기 위해 순방향 및 역방향 모델을 확장 가능하게 결합하는 프레임워크를 제시하여 특징 세트에서 다중 작업 추론을 플러그-앤-플레이로 가능하게 한다.

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.

연구 동기 및 목표

• 단일 작업 대 다중 작업 Wi-Fi 센싱에 대한 통일 이론을 형식화한다.
• 새로운 센싱 작업 및 특징을 통합하기 위한 확장 가능하고 데이터 주도적인 파이프라인을 개발한다.
• 다중 작업 센싱을 위한 합계된 역모델의 자동 생성을 가능하게 한다.
• 위치 추정, 자세 분류, 그리고 존재 감지에 걸쳐 로버스트한 다중 작업 성능을 입증한다.

제안 방법

• 이벤트 집합과 특징 집합을 정의하고 이벤트에서 특징으로의 순방향 모델을 통해 이를 매핑한다.
• 합성 이벤트 시퀀스와 순방향 모델을 사용하여 특징 시퀀스와 데이터세트를 구성한다.
• 특징을 다시 이벤트로 매핑하는 집계된 역모델을 학습하기 위해 데이터 기반 신경망을 훈련한다.
• 특징 통합을 모델 재설계와 분리하는 모듈형 파이프라인을 구현한다.
• 다중 작업 예측을 위한 공유 디코더를 갖춘 통합 추론 트랙을 적용한다.
• CSI 데이터를 이용해 위치 추정, 자세 분류, 존재 감지를 평가한다.

실험 결과

연구 질문

• RQ1 전진 모델 네트워크를 통해 단일 작업 센싱과 다중 작업 센싱을 연결하는 통일 형식화는 무엇인가?
• RQ2 확장 가능한 파이프라인이 역모델 재설계 없이 새로운 센싱 작업/특징을 어떻게 통합할 수 있는가?
• RQ3 데이터 기반의 집계된 역모델이 특징 세트에서 플러그앤플레이 방식의 다중 작업 센싱을 가능하게 하는가?

주요 결과

• 위치 추정 오차 약 0.54 m.
• 활동(자세) 분류 정확도 98.34%
• 존재 감지 정확도 98.57%
• Uni-Fi는 환경과 작업에 걸쳐 로버스트한 성능을 달성한다.
• 무장치 추적에서 위치 추정 오차의 90%가 0.43 m 이하이다.
• CPU에서 샘플당 추론 지연 약 0.05 s로 실시간 배치를 지원한다.