基于WiFi信號和深度學習的車內兒童檢測系統——DeepCPD

大家可能都聽說過，有時候家長會不小心把孩子落在車里。要知道，在高溫又封閉的車內環境里，孩子特別容易中暑，嚴重的話甚至會丟掉性命。所以，車輛特別需要一個可靠的系統，能及時發現車里有沒有被遺忘的孩子，避免這種危險情況發生。而且現在好多國家都打算在未來強制車輛配備這樣的檢測系統。

01 - 現有技術的問題

目前，市面上存在多種用于車內檢測的技術，但都存在一定的局限性。傳統的傳感器，如壓力傳感器和溫度傳感器，它們只能檢測一些物理量的變化，卻無法準確識別“人”的存在，更不可能區分是成人還是兒童。紅外或攝像頭監控雖然在檢測準確度上相對較高，但它們對光線環境的要求較為苛刻，并且需要額外安裝硬件設備，增加了成本和部署的難度。毫米波雷達技術性能不錯，但成本高昂，部署起來也比較困難，很多車輛并沒有配備該技術。

圖1 - UWB兒童遺留檢測[1]

WiFi信號檢測法倒是有點優勢，不用額外設備，覆蓋范圍廣，還能保護隱私。但以前用WiFi信號檢測的方法有個大問題，就是很難分清車里是“兒童”還是“成人”，經常誤報警。

02 - 真需求

為了解決上述痛點，研究團隊[2]設計了一個全新的系統，該系統基于WiFi信號，專門用于檢測車內是否有兒童。這個系統需要具備以下特點：能夠準確識別兒童、成人和空車這三類狀態；可以適應不同的天氣條件、車輛類型以及座位位置；誤報率低，可靠性高，并且能夠快速部署在真實的車輛上。

03 - 關鍵技術詳解

• WiFi信號是怎么用來檢測人的？

每輛車通常都配備有WiFi，WiFi信號在車廂內會不斷地進行反射、折射和散射。當信號碰到人時，其傳播情況就會發生改變。通過分析這些變化，我們可以了解到一些信息，比如車里是否有人，人是處于運動狀態還是靜止狀態，以及人的呼吸頻率是多少。

然而，WiFi信號容易受到環境的影響，比如車內的裝飾、座椅的布局等，這些因素都會使信號發生變化，導致很難提取出穩定的特征。為了解決這個問題，研究團隊采用了提取WiFi信道狀態信息(CSI)的自相關函數(ACF)的方法。

CSI 是無線信號在傳輸過程中受到環境影響后的狀態信息，它包含了信號的幅度、相位和頻率響應等信息，反映了信號從發射端到接收端的路徑特性，在 Wi-Fi 系統中，CSI 可以被看作是每個子載波上的復數響應，描述了信道對信號的影響。

CSI 的 ACF就是CSI 數據在不同時間點之間的相關性隨時間延遲的變化情況,當前時刻的 CSI 和過去某個時刻的 CSI 有多像？這個關系就是 CSI 的 ACF。也就是說ACF 能捕捉 CSI 的周期性變化, 呼吸和心跳都是周期性生理活動，它們會在 CSI 中留下周期性變化的痕跡，ACF 能夠捕捉這些周期性變化，并通過峰值位置和形狀反映生理活動的頻率。

而且，ACF對環境噪聲不太敏感，這意味著即使車輛所處的位置發生變化，或者天氣條件有所不同，它都能穩定地工作。

更重要的是，兒童和成人的動作、呼吸節奏是不一樣的，ACF可以識別出這種差異。例如，成年人的呼吸相對較慢，每分鐘大約12 - 20次，而小孩的呼吸更快，每分鐘大約20 - 30次。通過對ACF進行分析，系統就可以“聽出”這種區別，從而判斷出是孩子還是大人在車內。

圖2 – 某子載波提取的自相關函數(ACF)

(a)車輛A空載 ? ? (b)車輛A兒童呼吸場景

(c)車輛A成人呼吸場景 ? ?(d) 車輛B空載

(e) 車輛B兒童呼吸場景 ? ? (f) 車輛B成人呼吸場景

• 怎么用AI模型識別兒童？

研究團隊設計了一個深度神經網絡模型來分析ACF數據，這個模型主要分為兩個核心部分。

圖3-DeepCPD System Design[2]

①用Transformer理解“時間變化”

Transformer是一種擅長理解序列變化的AI架構。它可以找出呼吸、動作的周期性，比如判斷“這個人有沒有規律地呼吸”、“動作的速度快不快”。在這個系統中，使用了AutoFormer的結構，它能夠識別長期趨勢和周期模式。

②用MLP（多層感知機）來做分類

將Transformer提取到的關鍵特征輸入到一個分類模型中，這個模型就是MLP。MLP會輸出三個選項中的一個，分別是“兒童在車里”、“成人在車里”（此時不用報警）、“車里沒人”（也無需報警）。

• 如何解決數據不足和環境差異的問題？

圖4 -不同天線配置

(a)共置天線設置 (b)分布式天線設置 (c)混合天線設置

①數據增強方法

為了讓模型能夠學習到更多不同情況下的數據，研究團隊采用了兩種數據增強方法。

鏈路排列（Link Permutation）這種方法模擬了兒童坐在不同座位的情況，讓數據看起來更加豐富多樣。通過對不同天線對計算得到的自相關函數（ACF）進行排列組合，創建出合成樣本，就好像兒童坐在了不同的位置一樣，從而幫助模型避免對特定座位位置的過擬合，提高其對不同天線配置的泛化能力。

鏈路混合（Link Mix）把不同環境下的信號組合起來，讓AI模型能夠看到更多的“變化”，變得更加聰明。具體來說，就是從兩個不同的樣本中選取高靈敏度和低靈敏度的鏈路進行合并，生成新的、多樣化的表示，從而提高模型對不同位置和設備設置的適應能力。

②兩階段訓練方法

圖5 – 從用戶在座位1時的呼吸場景中，每個發射-接收對提取的ACF [2]

第一階段，先教AI識別“有沒有人”。使用一些簡單的家庭環境數據，比如人在房間里走動的數據，進行基礎訓練。在這個階段，將所有成人和兒童的數據都歸為“有人”這一類，重點讓模型學習基本的運動和呼吸特征。同時，為了與車內環境保持一致，排除了室內數據中的行走數據，因為在車內通常不會出現行走的步態模式。

第二階段，在真實的車內數據中對模型進行精細調整，讓它學會區分成人和兒童。通過這個階段的訓練，模型能夠更有效地識別出兒童特有的特征。

通過這兩個步驟，模型即使在沒有太多兒童實測數據的情況下，也能夠快速學習、牢固記憶，并且表現出色。

04 - 實驗結果說明

研究團隊在超過25種不同車型中收集數據，并且在各種天氣和環境條件下進行測試，確保數據的多樣性和全面性。總共使用了超過500小時的真實數據，涵蓋了嬰兒、兒童、成人以及空車等各種情況。

性能表現

表1 - 與基線神經網絡模型的比較[2]

關鍵結論

本文介紹的基于WiFi信號和深度學習的車內兒童檢測系統——DeepCPD，無需額外的傳感器，僅通過車上已有的WiFi就能準確識別車內是否有兒童存在，并且能夠區分成人和空車狀態。它在準確性、穩定性和泛化能力方面都表現出色，是未來智能汽車安全系統的一個重要組成部分。

參考