（文章來源：網絡整理）
人類對物理世界的感知經歷了從主觀感受到傳感器再到傳感網的發展階段。在傳感器變得越來越小、數據采集變得越來越普及的同時，有一個問題也日益突出：傳感系統的部署成本太特別是隨著感知范圍和規模不斷增大，部署和維護長期穩定運行的大規模傳感系統的難度和成本也越來越高。以室內人員定位為例，雖然我們可以在特定的房間、工廠里部署定位設施和系統，但是這些特定的區域與人類活動所處的整個物理世界相比無異于九牛一毛。當我們面對全世界范圍內的住宅、學校、商場、機場、寫字樓時，這種部署方式就顯得無能為力了。

那么有沒有可能突破傳統思維，在不部署任何專用傳感器的情況下也能感知各種環境信息呢？已有研究工作利用電視廣播信號來獲取能量，為低功耗物聯網設備供電，受此啟發，我們是否能夠實現非傳感器感知，利用環境中已經存在的無線射頻信號（例如Wi-Fi、RFID、藍牙、ZigBee以及廣播電視信號等）來感知人的動作行為？如果可行，我們就無須在環境中部署專用的傳感器，也不需要人員攜帶傳感器。目前無線網絡在全球范圍內已經廣泛普及，這種感知物理世界的方式將顯著降低部署成本，在易用性、普適性等方面取得重要突破。

環境中已有的無線信號（聲、光、射頻信號等）在完成本職任務（照明、通信等）的同時，還可以“額外”用來感知環境。以射頻信號為例，信號發射機產生的無線電波在傳播過程中會發生直射、反射、散射等物理現象，從而形成多條傳播路徑。這樣一來，在信號接收機處形成的多徑疊加信號就攜帶了反映信號傳播空間的信息。無線感知技術（或稱為非傳感器場景感知技術）通過分析無線信號在傳播過程中的變化，獲得信號傳播空間（信道）的特性，以實現場景的感知。這里的場景既包括人的因素，也包括其他外物的因素。非傳感器感知提供了一種全新的物理世界感知方式，即無須部署傳感器，只“復用”環境中已有的無線信號即可實現場景感知。非傳感器場景感知將人類對物理世界的感知方式推動到了一個新的階段，從以前單純依賴部署專用傳感器的方式升級為“專用”與“復用”相結合的方式。

無線感知技術將感知與通信合二為一，具有三個鮮明特點：（1）無傳感器（sensorless），感知人和環境不再需要部署專門的傳感器，這有別于無線傳感網中由傳感器負責感知而無線信號負責通信；（2）無線（wireless），無須為通信及傳感器部署有線線路；（3）無接觸（contactless），相較于現在市場上的各種可穿戴式智能設備，無線感知更向前邁了一步，無須用戶佩戴任何設備。

無線感知技術的感知對象包括環境、物品和人，潛在應用十分豐富。以感知人為例，無線感知技術可以用于被動式人員感知?！氨粍邮健痹谶@里指的是人員不需要攜帶任何電子設備，用以區別傳統無線定位系統中，通過定位人所攜帶的電子設備來定位人員，這樣的方式也被稱作設備非綁定的（devicefree）或者非侵入式的（non-Invasive）。被動式人員檢測可廣泛用于各種普適計算的應用中，提供更好的基于用戶位置的服務。例如，博物館中參觀者接近某個展品時自動播放展品說明，超市統計近期最受關注的商品，或者在電梯及車廂中統計乘客數量等。非傳感器感知還可以作為一種新型人機交互方式，通過識別人的行為（姿勢、動作以及手勢等微小運動）來遙控電子設備（計算機、游戲機、智能硬件等），完成特定的功能或提供交互式體感游戲。

也可以用于智慧醫療監護，檢測人員的睡眠質量以及老年人的意外跌倒等。被動感知的模式還契合安全保衛應用的需求。在涉密區域監控、人員入侵檢測、災難應急響應、重要物品保護等與安全相關的應用中，需要及時發現未攜帶任何無線通信設備的人員（工作人員或入侵者）是否在敏感區域出現并監測他們的活動。傳統安防傳感器中的紅外傳感器或者攝像頭都受到可視角度的限制，只能在一個很有限的角度內監測目標，而且不能應對煙霧、遮擋乃至視覺欺騙的情況。在電影和生活中已經出現了針對傳統安防傳感器局限性的人員入侵方法，而基于無線信號的非傳感器感知可以有效克服此類漏洞。

近年來，無線感知技術引起了學術界的廣泛關注。在無線網絡與移動計算的著名會議與期刊（例如ACM SIGCOMM、ACM MobiCom、ACM MobiSys、IEEE INFOCOM、USENIX NSDI、IEEE/ACM ToN、IEEE JSAC、IEEE TMC）上，許多論文將無線感知從夢想帶入現實，在提升感知精度、提高魯棒性、拓展應用場景等方面做出了重要貢獻。除此之外，工業界也在探索非傳感器感知的產品化，在智能家居、安防監控、健康監護等方面形成了實用的產品。

無線感知蓬勃發展的另一面是其在實際應用中的局限性，具體體現在特征、模型、數據集三個方面：

1. 有效特征湮沒：信號特征與背景環境相關，導致感知結果依賴部署環境，泛化能力差、學習訓練成本高。造成環境依賴性強的根本原因在于，已有研究工作提取的信號特征（例如信號幅度、相位等）嚴重依賴于系統部署的具體環境。因此，不同的使用環境、不同的用戶，甚至同一用戶的不同位置、不同朝向等都會降低感知準確性，導致完全無法實現感知。針對新環境，需要重新采集數據進行訓練，造成無線感知普適性差并且學習訓練成本高。但令人遺憾的是，已有的工作絕大部分都是基于環境相關的信號特征來實現的。

2. 識別模型粗陋：缺乏在無線信號空間對人的行為活動的精細時空建模，導致感知精度低、魯棒性差。人的姿勢、動作、行為模式具有特定的時空特征。計算機視覺方向的研究工作針對圖像和視頻數據對人體運動特征進行建模并識別，取得了較大突破。然而在無線信號空間，缺乏對人行為活動的精細時空建模。因此，已有的工作通常簡單地使用計算機視覺領域的方法，直接在原始信號層次上進行識別，或者僅僅使用時間相關性或空間相關性，缺乏同時整合利用二者的有效手段，造成相似動作難以準確判別，在實際環境中感知精度低、魯棒性差。

3. 數據集缺失：高質量公開數據集的缺失造成性能比較不客觀、實驗結果難復現、技術進步難積累。越來越多的研究人員認識到，高質量的數據集在提取有效特征、訓練精確模型以及提升跨場景學習能力等方面會起到至關重要的作用。特別是深度學習算法的廣泛使用，對數據集的規模和質量提出了更高的要求。然而目前公開的數據集非常少，且數據量不足、應用場景少，難以滿足深度學習算法的需求，往往導致識別模型欠擬合、泛化能力差。高質量公開數據集的缺失造成許多研究工作陷人“自說自話”的境地—性能比較不客觀、實驗結果難復現、技術進步難積累。
（責任編輯：fqj）