基于WiFi信号和深度学习的车内儿童检测系统——DeepCPD

大家可能都听说过，有时候家长会不小心把孩子落在车里。要知道，在高温又封闭的车内环境里，孩子特别容易中暑，严重的话甚至会丢掉性命。所以，车辆特别需要一个可靠的系统，能及时发现车里有没有被遗忘的孩子，避免这种危险情况发生。而且现在好多国家都打算在未来强制车辆配备这样的检测系统。

01 - 现有技术的问题

目前，市面上存在多种用于车内检测的技术，但都存在一定的局限性。传统的传感器，如压力传感器和温度传感器，它们只能检测一些物理量的变化，却无法准确识别“人”的存在，更不可能区分是成人还是儿童。红外或摄像头监控虽然在检测准确度上相对较高，但它们对光线环境的要求较为苛刻，并且需要额外安装硬件设备，增加了成本和部署的难度。毫米波雷达技术性能不错，但成本高昂，部署起来也比较困难，很多车辆并没有配备该技术。

图1 - UWB儿童遗留检测[1]

WiFi信号检测法倒是有点优势，不用额外设备，覆盖范围广，还能保护隐私。但以前用WiFi信号检测的方法有个大问题，就是很难分清车里是“儿童”还是“成人”，经常误报警。

02 - 真需求

为了解决上述痛点，研究团队[2]设计了一个全新的系统，该系统基于WiFi信号，专门用于检测车内是否有儿童。这个系统需要具备以下特点：能够准确识别儿童、成人和空车这三类状态；可以适应不同的天气条件、车辆类型以及座位位置；误报率低，可靠性高，并且能够快速部署在真实的车辆上。

03 - 关键技术详解

• WiFi信号是怎么用来检测人的？

每辆车通常都配备有WiFi，WiFi信号在车厢内会不断地进行反射、折射和散射。当信号碰到人时，其传播情况就会发生改变。通过分析这些变化，我们可以了解到一些信息，比如车里是否有人，人是处于运动状态还是静止状态，以及人的呼吸频率是多少。

然而，WiFi信号容易受到环境的影响，比如车内的装饰、座椅的布局等，这些因素都会使信号发生变化，导致很难提取出稳定的特征。为了解决这个问题，研究团队采用了提取WiFi信道状态信息(CSI)的自相关函数(ACF)的方法。

CSI 是无线信号在传输过程中受到环境影响后的状态信息，它包含了信号的幅度、相位和频率响应等信息，反映了信号从发射端到接收端的路径特性，在 Wi-Fi 系统中，CSI 可以被看作是每个子载波上的复数响应，描述了信道对信号的影响。

CSI 的 ACF就是CSI 数据在不同时间点之间的相关性随时间延迟的变化情况,当前时刻的 CSI 和过去某个时刻的 CSI 有多像？这个关系就是 CSI 的 ACF。也就是说ACF 能捕捉 CSI 的周期性变化, 呼吸和心跳都是周期性生理活动，它们会在 CSI 中留下周期性变化的痕迹，ACF 能够捕捉这些周期性变化，并通过峰值位置和形状反映生理活动的频率。

而且，ACF对环境噪声不太敏感，这意味着即使车辆所处的位置发生变化，或者天气条件有所不同，它都能稳定地工作。

更重要的是，儿童和成人的动作、呼吸节奏是不一样的，ACF可以识别出这种差异。例如，成年人的呼吸相对较慢，每分钟大约12 - 20次，而小孩的呼吸更快，每分钟大约20 - 30次。通过对ACF进行分析，系统就可以“听出”这种区别，从而判断出是孩子还是大人在车内。

图2 – 某子载波提取的自相关函数(ACF)

(a)车辆A空载     (b)车辆A儿童呼吸场景

(c)车辆A成人呼吸场景    (d) 车辆B空载

(e) 车辆B儿童呼吸场景     (f) 车辆B成人呼吸场景

• 怎么用AI模型识别儿童？

研究团队设计了一个深度神经网络模型来分析ACF数据，这个模型主要分为两个核心部分。

图3-DeepCPD System Design[2]

①用Transformer理解“时间变化”

Transformer是一种擅长理解序列变化的AI架构。它可以找出呼吸、动作的周期性，比如判断“这个人有没有规律地呼吸”、“动作的速度快不快”。在这个系统中，使用了AutoFormer的结构，它能够识别长期趋势和周期模式。

②用MLP（多层感知机）来做分类

将Transformer提取到的关键特征输入到一个分类模型中，这个模型就是MLP。MLP会输出三个选项中的一个，分别是“儿童在车里”、“成人在车里”（此时不用报警）、“车里没人”（也无需报警）。

• 如何解决数据不足和环境差异的问题？

图4 -不同天线配置

(a)共置天线设置 (b)分布式天线设置 (c)混合天线设置

①数据增强方法

为了让模型能够学习到更多不同情况下的数据，研究团队采用了两种数据增强方法。

链路排列（Link Permutation）这种方法模拟了儿童坐在不同座位的情况，让数据看起来更加丰富多样。通过对不同天线对计算得到的自相关函数（ACF）进行排列组合，创建出合成样本，就好像儿童坐在了不同的位置一样，从而帮助模型避免对特定座位位置的过拟合，提高其对不同天线配置的泛化能力。

链路混合（Link Mix）把不同环境下的信号组合起来，让AI模型能够看到更多的“变化”，变得更加聪明。具体来说，就是从两个不同的样本中选取高灵敏度和低灵敏度的链路进行合并，生成新的、多样化的表示，从而提高模型对不同位置和设备设置的适应能力。

②两阶段训练方法

图5 – 从用户在座位1时的呼吸场景中，每个发射-接收对提取的ACF [2]

第一阶段，先教AI识别“有没有人”。使用一些简单的家庭环境数据，比如人在房间里走动的数据，进行基础训练。在这个阶段，将所有成人和儿童的数据都归为“有人”这一类，重点让模型学习基本的运动和呼吸特征。同时，为了与车内环境保持一致，排除了室内数据中的行走数据，因为在车内通常不会出现行走的步态模式。

第二阶段，在真实的车内数据中对模型进行精细调整，让它学会区分成人和儿童。通过这个阶段的训练，模型能够更有效地识别出儿童特有的特征。

通过这两个步骤，模型即使在没有太多儿童实测数据的情况下，也能够快速学习、牢固记忆，并且表现出色。

04 - 实验结果说明

研究团队在超过25种不同车型中收集数据，并且在各种天气和环境条件下进行测试，确保数据的多样性和全面性。总共使用了超过500小时的真实数据，涵盖了婴儿、儿童、成人以及空车等各种情况。

性能表现

表1 - 与基线神经网络模型的比较[2]

关键结论

本文介绍的基于WiFi信号和深度学习的车内儿童检测系统——DeepCPD，无需额外的传感器，仅通过车上已有的WiFi就能准确识别车内是否有儿童存在，并且能够区分成人和空车状态。它在准确性、稳定性和泛化能力方面都表现出色，是未来智能汽车安全系统的一个重要组成部分。

参考