[論文レビュー] Reconfigurable Intelligent Surfaces based RF Sensing: Design, Optimization, and Implementation

Jingzhi Hu, Hongliang Zhang+6 more|arXiv (Cornell University)|Dec 19, 2019

Indoor and Outdoor Localization Technologies参考文献 29被引用数 10

ひとこと要約

本稿では、再構成可能知的表面（RIS）を用いたRFセンシングシステムを提案し、無線伝搬環境を能動的にカスタマイズすることで、高精度な人体ポーズ認識を実現する。RISの位相シフトと教師あり意思決定関数を交互最適化および機械学習を用いて共同最適化することで、非再構成可能な環境と比較して最大23.5%高い認識精度を達成し、ランダムな設定と比較しても14.6%高い精度を示した。シミュレーションおよびUSRPを用いた実験により検証された。

ABSTRACT

Using radio-frequency (RF) sensing techniques for human posture recognition has attracted growing interest due to its advantages of pervasiveness, contact-free observation, and privacy protection. Conventional RF sensing techniques are constrained by their radio environments, which limit the number of transmission channels to carry multi-dimensional information about human postures. Instead of passively adapting to the environment, in this paper, we design an RF sensing system for posture recognition based on reconfigurable intelligent surfaces (RISs). The proposed system can actively customize the environments to provide the desirable propagation properties and diverse transmission channels. However, achieving high recognition accuracy requires the optimization of RIS configuration, which is a challenging problem. To tackle this challenge, we formulate the optimization problem, decompose it into two subproblems and propose algorithms to solve them. Based on the developed algorithms, we implement the system and carry out practical experiments. Both simulation and experimental results verify the effectiveness of the designed algorithms and system. Compared to the random configuration and non-configurable environment cases, the designed system can greatly improve the recognition accuracy.

研究の動機と目的

• 予測不能な無線環境による、従来のRFポーズセンシングにおける独立伝搬経路の数の制限と、低さの耐障害性の問題に対処すること。
• 再構成可能知的表面（RIS）を用いて、より豊富な多次元的ポーズ情報が得られるように、チャネルを能動的にカスタマイズすること。
• 最大のポーズ認識精度を得るために、RIS設定と意思決定関数を共同最適化すること。
• USRPハードウェアを用いて実用的なRISベースRFセンシングシステムを設計・実装し、実環境での検証を行うこと。

提案手法

• ポーズ認識問題を、RIS位相シフトと意思決定関数の共同最適化として定式化し、2つの部分問題（設定最適化と意思決定関数学習）に分解する。
• RIS設定最適化部分問題を解くために、増幅ラグランジュ法と近接勾配更新を用いた交互最適化アルゴリズムを適用する。
• 受信信号特徴に基づいて意思決定関数を最適化するための教師あり学習アルゴリズムを採用する。
• ユニバーサルソフトウェアラジオ周波数（USRP）デバイスを用いて、実環境でのシステム実装と検証を実施する。
• 最適化プロセスにおける非凸性に対処するために、補助変数と凸緩和技術を導入する。
• RIS設定と双対変数の間で反復的交替最小化を実行し、部分最適解に収束させる。

実験結果

リサーチクエスチョン

• RQ1 RISベースRFセンシングは、従来の非再構成可能なシステムと比較して、顕著にポーズ認識精度を向上させることができるか？
• RQ2 RIS素子の数と、独立して制御可能なグループ数が、認識性能に与える影響は何か？
• RQ3 ポーズ認識のための伝搬経路の多様性を最大化するために、最適なRIS位相シフト設定は何か？
• RQ4 RIS設定と意思決定関数の共同最適化は、逐次的または独立した最適化と比較して、どのように異なるか？
• RQ5 実環境でのハードウェア実装は、理論的シミュレーション性能にどの程度近づけるか？

主な発見

• 提案されたRISベースシステムは、非再構成可能な環境と比較して23.5%高い認識精度を達成した。
• ランダムなRIS設定と比較して、認識精度が14.6%向上した。
• RISのサイズが大きくなるほど、および独立して制御可能なRISグループの数が増えれば、認識精度が向上する。
• 交互最適化アルゴリズムは、部分最適解に効果的に収束し、認識性能を顕著に向上させた。
• USRPハードウェアを用いた実験により、実環境条件下でも提案アルゴリズムの有効性が確認された。
• RIS設定と意思決定関数の共同最適化は、別々に最適化するアプローチよりも優れた性能を示した。