[论文解读] Uni-Fi: Integrated Multi-Task Wi-Fi Sensing
Uni-Fi 提供一个可扩展的框架，将前向模型和逆向模型统一起来，以整合多项 Wi-Fi 感知任务，实现从特征集到多任务推理的即插即用。
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.
研究动机与目标
- 正式化单任务与多任务 Wi-Fi 感知的统一理论。
- 开发一个可扩展、数据驱动的流水线，以整合新的感知任务和特征。
- 实现用于多任务感知的聚合逆模型的自动生成。
- 在定位、姿态分类和存在检测等方面展示鲁棒的多任务性能。
提出的方法
- 定义事件集和特征集，并通过前向模型将事件映射到特征。
- 使用合成事件序列和前向模型构建特征序列和数据集。
- 训练数据驱动的神经网络以学习将特征映射回事件的聚合逆模型。
- 实现一个模块化流水线，使特征整合与模型重新设计解耦。
- 采用一个统一的推理轨道，使用共享解码器进行多任务预测。
- 使用 CSI 数据进行评估，以评估定位、姿态分类和存在检测。
实验结果
研究问题
- RQ1连接单任务感知与通过前向模型网络实现多任务感知的统一形式化是什么？
- RQ2在不重新设计逆模型的情况下，如何通过可扩展的流水线将新感知任务/特征加入？
- RQ3基于数据驱动的聚合逆模型是否能够实现从特征集合到多任务感知的即插即用？
主要发现
- 定位误差约为 0.54 m。
- 活动（姿态）分类准确率为 98.34%。
- 存在检测准确率为 98.57%。
- Uni-Fi 在不同环境和任务下均表现出鲁棒性。
- 在设备无感知跟踪中，定位误差的 90% 落在 0.43 m 以下。
- 在 CPU 上每个样本的推断时延约为 0.05 s，支持实时部署。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。