基于机器学习赋能的射频传感技术：综述、应用与前瞻
本文所分析的文章《Machine Learning-Powered Radio Frequency Sensing: A Review》发表于 IEEE Sensors Journal 期刊，第25卷第13期，出版于2025年7月1日。文章由来自产业界（如英飞凌科技、恩智浦半导体、Mitsubishi Electric Research Laboratories）和学术界（如滑铁卢大学、卢森堡大学、中国科学技术大学、悉尼科技大学、埃因霍温理工大学等）的多位资深IEEE会员共同撰写，通讯作者为英飞凌科技的Avik Santra。这是一篇综合性学术综述论文，旨在系统性地回顾、梳理和展望机器学习（ML）技术在射频（RF）传感领域的变革性应用、现有范式、关键挑战及未来机遇。
论文主题与核心内容概述 本文的核心主题是探讨机器学习如何重新定义射频传感的能力边界。射频传感利用无线电传播特性来检测、测量和分析各种环境和系统状态，其优势在于能够非视距（NLOS）工作，具有非侵入性、可穿透障碍物等特点，广泛应用于医疗保健、工业自动化、智能楼宇等领域。然而，传统基于解析信号模型的信号处理方法在复杂、动态的实际场景中面临局限。近年来，大量射频传感数据的可获得性，结合机器学习的迅猛发展，催生了数据驱动以及数据与模型混合的新方法，为提升传感性能开辟了新途径。本综述聚焦于设备定位、人员存在检测、活动监测和生物特征传感这几个关键领域，展示了机器学习如何在这些领域带来前所未有的性能提升。
主要论点阐述
一、 机器学习在射频传感中的融合范式 文章首先系统性地阐述了机器学习融入射频传感信号处理流程的三种主要范式，这为理解后续各种应用中的技术路线提供了框架。
增强传统传感能力：这是最直接的方式。首先利用成熟的信号处理技术（如快速傅里叶变换FFT）对原始RF数据进行预处理，生成时频表示（如多普勒轨迹、信道状态信息CSI等）作为特征。随后，将这些特征输入到机器学习模型（如卷积神经网络CNN、支持向量机SVM）中，以完成特定的传感任务（如分类、回归）。这种方式有效结合了领域知识（特征工程）和数据驱动学习的力量。文中列表总结了不同RF传感器（如Wi-Fi、UWB超宽带、雷达）常用的输入特征表示，例如接收信号强度指示（RSSI）、信道脉冲响应（CIR）、波达角（AoA）等。
替代传统信号处理模块：在此范式中，机器学习模型被设计用来直接替代射频处理链中的传统数字信号处理（DSP）模块。例如，在雷达系统中，一个复杂的神经网络可以替代传统的波束成形、匹配滤波等环节，直接输出距离-角度图像。目标是在常规条件下保持功能，在非预期或复杂环境下实现更优的性能和鲁棒性。一个典型例子是Kalmannet，它用于动力系统状态估计，在系统模型不精确或存在非线性时提供鲁棒解决方案。
与传统流程交叉集成：机器学习模型被创建为处理链中的新模块，与传统方法协同工作以解决新任务或弥补传统方法的不足。例如，将机器学习模型的输出与传统卡尔曼滤波器的结果进行融合，共同改进目标检测和分类的性能。跨模态学习（联合优化不同模态的任务以相互提升）也属于此类。此外，参数化神经网络（如嵌入非均匀离散傅里叶变换DFT的神经网络、SincNet）将信号处理原理内置于网络架构中，在保持模型可解释性的同时利用数据驱动提升性能。
二、 机器学习在射频传感关键应用中的具体实践 文章的核心部分详细回顾了机器学习在三大类传感应用中的具体技术方法和研究进展。
1. 定位与导航 机器学习，特别是深度学习，彻底改变了基于射频指纹的室内定位。其核心思想是建立位置与射频信号特征（“指纹”）之间的映射模型。
- 技术支持与证据：早期工作基于Wi-Fi的RSSI，使用K近邻（KNN）、支持向量机（SVM）等经典机器学习方法。随后，更精细的信道状态信息（CSI） 被广泛应用，通过修改商用设备固件获取，能更好地解析多径。研究如ConFi使用CNN处理三根天线的CSI进行定位分类和坐标估计；DeepFi利用自编码器从多个子载波的CSI幅度中提取特征。超宽带（UWB） 凭借其大带宽优势，在测距和抗多径方面表现优异，但非视距识别与抑制是关键挑战。研究采用SVM、高斯过程（GP），以及更先进的MLP、CNN、胶囊网络、3D-CNN等直接从UWB的CIR、到达时间（ToA）等数据中提取特征以辅助非视距识别。蓝牙低功耗（BLE） 定位则利用RSSI和新兴的基于相位的测距（PBR）与波达角（AoA）技术，同样有研究应用CNN来改善AoA估计。此外，序列化方法（如使用长短期记忆网络LSTM、门控循环单元GRU处理连续帧数据）和领域自适应技术被用于提升定位系统的时序感知能力和在新环境中的泛化能力。
2. 存在感知、活动监测与人数统计 在智能家居和楼宇中，可靠的人员存在检测、计数和行为监测至关重要。
- 技术支持与证据：基于Wi-Fi CSI的流程通常包括相位校准、特征图生成和神经网络分类。研究展示了使用SVM、随机森林等集成学习，以及资源高效的深度学习模型来实现存在检测和人数统计，并关注模型在温湿度变化下的鲁棒性。雷达技术在此领域更具优势。早期研究依赖于手工特征设计，而深度学习（如CNN-RNN融合模型）能自动提取时空特征，性能更优。为了解决环境变化导致的模型重训练问题，研究提出了基于信号增强和无监督领域自适应的方法。在车载环境中，60 GHz雷达被用于乘员计数、驾驶员监测和手势识别。例如，有研究提出标签感知排序（LAR）损失函数来提升乘员计数的鲁棒性；另有工作展示了使用轻量级神经网络实现车内手势识别。文章特别强调了分布外（OOD）检测和不确定性量化对于确保活动/手势识别系统在实际部署中可靠性（减少误报）的重要性，以及领域自适应对于应对环境、设备、用户差异的关键作用。
3. 生物特征传感 射频传感，尤其是雷达，在非接触式生命体征（如呼吸、心率）监测方面展现出巨大潜力。
- 技术支持与证据：连续波（CW）和调频连续波（FMCW）雷达可通过解调接收信号的相位变化来反推胸腔壁的微小位移，从而估算呼吸率和心率。然而，实际场景中身体随机运动、谐波干扰等使得传统信号处理面临挑战。机器学习方法为此带来了变革。例如，有研究使用深度学习（CNN结合Transformer模块） 直接从雷达信号中重建出与临床心电图（ECG）高度相似的波形；其他工作利用CNN学习心跳的特殊模式，或通过编码器-解码器模型直接从原始IQ数据中识别心律失常。此外，可穿戴雷达与机器学习结合，在腕部或胸部佩戴的设备上实现了连续的心血管监测（如心率变异性HRV分析），并在非侵入式血糖监测、血压评估等前沿方向进行了探索性研究。一个基于IR-UWB雷达的实时车载演示系统展示了同时进行存在检测、呼吸率估计和手势识别的能力，验证了其应用可行性。
三、 机器学习驱动射频传感面临的挑战与未来机遇 文章不仅总结了成就，更深入剖析了当前面临的共性挑战并指出了未来研究方向。
- 数据挑战：高质量、多样化、带标注的RF传感数据稀缺，尤其是对于罕见或关键事件（如心脏病发作）。数据质量受噪声、干扰、多径和环境因素影响。解决途径包括推动公开数据集建设、研究自动化标注方法以及利用合成数据生成和数字孪生技术来扩充数据。
- 数字孪生：作为物理射频系统与环境的虚拟副本，数字孪生可用于优化传感器部署、测试算法鲁棒性、模拟罕见场景以生成训练数据，并实现个性化自适应模型，在医疗、自动驾驶等领域有广阔应用前景。
- 鲁棒性挑战：在干扰主导的环境中，机器学习模型需要具备分布外（OOD）检测、不确定性量化（区分认知不确定性和偶然不确定性）以及强大的表征学习能力。贝叶斯深度学习、深度集成等方法被探索用于量化不确定性，使模型在边缘情况下能“优雅地失败”。
- 边缘部署约束：在资源受限的边缘设备上部署复杂的深度学习模型面临计算和能耗挑战。模型压缩技术（如剪枝、量化、知识蒸馏）和新型神经网络架构（如脉冲神经网络SNN）是重要的解决方向。同时，结合射频能量采集和机器学习优化功耗策略，有助于实现长期、可持续的传感。
- 隐私保护：虽然相比视觉传感，射频传感本身具有一定隐私保护性，但仍需关注。研究探索了通过相关知识蒸馏、生成对抗网络（GAN）注入虚假轨迹等方法来增强隐私保护，以及在身份认证与行为识别耦合时的隐私问题。
- 新兴机器学习方法：联邦学习（FL） 能在不共享原始数据的情况下协同训练模型，适用于分布式RF传感场景，但需解决数据异构性、通信开销和安全问题。可解释人工智能（XAI） 工具（如Grad-CAM）被用于解释机器学习模型在RF传感中的决策依据，提升透明度和可信度。
- 新兴应用领域：文章展望了机器学习驱动射频传感在精准农业（土壤传感）、太赫兹（THz）传感（生物医学成像、食品检测）以及车载传感（乘员状态监控、自动驾驶环境感知）等新兴领域的应用潜力。
论文的价值与意义
本篇综述论文具有重要的学术价值和实践指导意义：
- 系统性梳理与框架构建：文章首次系统性地提出了机器学习融入射频传感的三种范式，为研究人员理解和设计新方案提供了清晰的理论框架。
- 跨领域技术全景扫描：全面涵盖了从Wi-Fi、蓝牙、UWB到雷达等多种射频技术，在定位、监测、生物传感等多个核心应用场景下的机器学习最新进展，是一份极具时效性和广度的技术发展“地图”。
- 问题导向与前瞻性：不仅总结成功案例，更深刻揭示了从数据、鲁棒性、能效到隐私、可解释性等一系列从实验室走向实际部署所必须克服的挑战，并指出了数字孪生、联邦学习、脉冲神经网络等富有潜力的未来方向，对领域发展具有重要的引领作用。
- 促进学科交叉：文章强调了实现机器学习驱动射频传感潜力需要射频传感、器件电路、信号处理、机器学习以及系统应用等多个学科间的紧密合作，并呼吁建立标准化的传感器数据收集和管理规范，以促进大规模数据集创建和协作研究。
总而言之，这篇综述论文成功描绘了一幅机器学习深度赋能射频传感的宏伟蓝图，既总结了当前已取得的显著成就，也为应对现实挑战、探索未来创新路径提供了宝贵的见解和路线图，对于学术界和工业界相关领域的从业者都具有很高的参考价值。