PowerSkel++：信号退化条件下电站的鲁棒 WiFi-CSI 姿态估计

《Pattern Recognition》：PowerSkel++: Robust WiFi-CSI pose estimation for power stations under signal degradation

　　## 论文内容翻译### 摘要要点- **CSI-only pose estimation for power-substation monitoring** 仅使用 CSI 的姿态估计用于变电站监控。- **Collaborative Cross-condition Pose Estimation links original and degraded CSI.** 协作跨条件姿态估计将原始 CSI 与退化 CSI 关联起来。- **Condition-aware Feature Maintenance and Multi-α Inference Ensemble improve robustness.** 条件感知特征维护与多-α 推理集成提升鲁棒性。- **PowerSkel++ reaches 83.17% PCK@30 and 91.53% PCK@50 under L3.** PowerSkel++ 在 L3 条件下达到 83.17% 的 PCK@30 和 91.53% 的 PCK@50。### 引言变电站的可靠运行对于保障稳定的电力供应至关重要，而电力供应是现代基础设施的基石[1]。在这些安全至关重要的环境中，工作人员在高电压设备附近执行巡检、切换、柜体操作和维护任务[2]。因此，准确监控操作人员姿态不仅对于识别不安全动作很重要，也对支持标准化运行管理、降低因不当操作引发的事故风险至关重要[3]。传统监控系统，包括可穿戴传感器和基于摄像头的方案，在变电站中部署仍面临困难[4]。可穿戴设备可能与防护装备产生干扰，给工人带来额外负担，且需要电池和维护管理。基于摄像头的系统对光照、遮挡和安装角度敏感[5]、[6]。这些局限性直接影响安全监管与运行效率，从而迫切需要一种低成本、非侵入、不依赖光照的姿态估计方案用于实际变电站监控[7]。无线感知技术为解决实际人体监控场景中视觉感知与可穿戴感知局限性提供了有前景的方向[8]。在各类无线感知模态中，基于 WiFi 的感知因其可复用现有通信基础设施，同时能够实现无需设备的活动感知而受到越来越多关注[9]、[10]。信道状态信息（CSI）进一步提供了细粒度的物理层测量数据，反映人体运动引起多径传播的变化，相比粗粒度的信号强度指示更为信息丰富[11]、[12]。基于这些优势，CSI 感知已被研究用于多种以人为中心的应用，包括人体活动识别与行为监控[13]。这些研究展示了 CSI 方法在受控室内环境中的潜力，同时也促使进一步探索更复杂和安全关键的电力运行场景[14]。然而，变电站与受控实验环境存在显著差异。金属设备、电磁干扰、受限的传感器布设以及安全规程都可能导致 CSI 链路退化或减少可用的感知路径数量。此外，在此类环境中收集密集骨骼标注成本高昂，因为准确的标签通常需要辅助传感设备以及精心同步的数据采集。这些部署限制揭示了一个明确的研究缺口。现有的基于 CSI 的姿态估计方法通常假设相对稳定的信号质量、充足的感知覆盖范围或固定的数据采集条件。它们没有明确处理变电站中出现的组合条件偏移，包括信道退化、传感器布设受限以及稀疏姿态标注。因此，在理想 CSI 测量下表现良好的方法，在无线信道部分退化、可部署传感器减少或仅有少量标注训练样本时可能变得不够可靠。因此，实用的面向变电站的姿态估计框架应当能够从条件偏移的无线测量中学习到鲁棒的 CSI 到姿态的表示，同时保持低部署成本和非侵入操作。为弥补这一缺口，我们提出 PowerSkel++，一种用于变电站监控的鲁棒 WiFi CSI 人体姿态估计框架。该系统使用自研的 CSI 收发器被动地捕获变电站环境中运动引起的无线信号变化。在训练阶段，Kinect V2.0 提供准确的骨骼标注作为跨模态监督，使模型能够学习从 CSI 测量到人体姿态关键点的映射。训练完成后，PowerSkel++ 仅使用 CSI 输入估计操作人员姿态，无需在部署期间使用摄像头或可穿戴设备。该设计提升了在低光照和空间受限的变电站场景中的实用可用性。为使仅用 CSI 的姿态估计在这些部署变化下保持可靠，PowerSkel++ 引入了协作跨条件姿态估计（CCPE），在统一训练流程中同时从完整和退化的 CSI 观测中学习。该框架使用由 Kinect 得到的骨骼关键点进行姿态监督，并鼓励在退化 CSI 下的预测与更干净 CSI 观测下的预测保持一致。此外，条件感知特征维护（CAFM）提升训练稳定性，多-α 推理集成（MAIE）降低了生成最终仅用 CSI 姿态估计时对单一协作权重设置的依赖。本文的主要贡献总结如下：- 我们提出 PowerSkel++，一种面向变电站监控的免设备 WiFi CSI 姿态估计系统。通过在训练阶段使用 Kinect 监督、部署阶段仅使用 CSI 推理，该系统避免了传统监控方法中光照、安装和可穿戴合规等方面的局限性。- 我们开发了一种在部署引起的信号退化条件下用于 CSI 姿态模式识别的跨条件学习策略。该框架使用未掩码和随机掩码的 CSI 视图，将姿态监督与停止梯度的跨条件一致性耦合，在训练过程中通过基于 EMA/SWA 的 CAFM 维持稳定的特征提取，并采用 MAIE 的预测级平均生成鲁棒的仅用 CSI 姿态估计。- 在真实变电站数据集上进行的广泛实验验证了 PowerSkel++ 相较于具有代表性的先进姿态估计方法的有效性，展示了其在具有挑战性的 CSI 退化条件下鲁棒而精确的骨骼模式识别能力，凸显了其在变电站环境中实际部署的适用性。实验研究进一步考察了关键点级行为、所提出学习组件的贡献、部署退化下的鲁棒性，以及推理集成对协作权重的敏感性。这些分析为 PowerSkel++ 在复杂变电站环境中的实用 CSI 姿态估计提供了更全面的评估。### 各章节内容摘要#### 电力运行监控变电站中的电力运行涉及多种任务，如例行巡检、维护和紧急恢复[15]。由于与高压设备交互，这些活动本身存在重大风险，需要严格遵守安全规程[16]。尽管如此，由于员工合规不足或安全意识欠缺，事故仍频繁发生，凸显出有效监控系统的迫切需求。现有监控方法#### PowerSkel++ 框架概览PowerSkel++ 是一种为变电站环境设计的免设备人体姿态估计框架。如图 1 所示，该系统通过 CSI 嗅探器网络捕获 WiFi CSI 中的运动引起变化。在训练阶段，Kinect 得到的骨骼关键点提供跨模态监督，而模型学习仅从 CSI 观测中推断人体姿态。该框架重点关注变电站部署中经常出现的三种实际退化来源：信道……#### 实验部署我们在一个复制 10 kV 变电所环境的培训设施中部署并评估了 PowerSkel++。数据采集涉及六名志愿者，包括男性和女性参与者，他们遵循标准电气安全操作规程，并在整个实验过程中佩戴防护装备。每位参与者执行了代表性的电力维护操作，包括柜门打开、开关断开、柜门关闭、开关重新连接……#### 结论本文提出 PowerSkel++，一种面向以安全为导向的变电站监控的 WiFi CSI 人体姿态估计框架。其核心贡献在于将鲁棒的 CSI 到姿态估计刻画为一个统一的跨条件学习问题。在此框架下，协作跨条件姿态估计（CCPE）从原始和退化的 CSI 观测中学习条件一致的姿态表示，条件感知特征维护（CAFM）稳定……#### CRediT 作者贡献声明- **Cunyi Yin（尹存义）**：写作–评审与编辑、写作–原稿撰写、可视化、验证、项目管理、方法论、调查、概念构思。- **Chenwei Wang**：写作–原稿撰写、验证、软件、方法论。- **Zhaoke Huang**：写作–原稿撰写、验证、监督、方法论、概念构思。- **Jing Chen**：写作–原稿撰写、监督、方法论、资金获取、概念构思。- **hao Jiang**：写作–原稿撰写、验证、监督……#### 利益冲突声明作者声明不存在任何已知的、可能影响本文所报告工作的竞争性经济利益或个人关系。#### 作者简介**Cunyi Yin** 于 2020 年和 2024 年分别获得福州大学（中国福州）的硕士和博士学位，并在 2022 年作为联合博士生在新加坡科技研究局（A*STAR）资讯通信研究所机器智能部门工作。2024 年 9 月至 2025 年 12 月，他是香港城市大学城市大学-牛津大学智能多维数据分析联合中心的博士后研究员。他目前是……作者列表：Cunyi Yin、Chenwei Wang、Zhaoke Huang、Jing Chen、hao Jiang、Ziyun Liao、Zhiwen Chen、Zhenghua Chen、Hong Yan---## 另一篇论文内容翻译### 摘要本文提出了一个新颖的协同过滤系统，结合了多策略推荐算法和基于深度学习的个性化方法，以缓解协同过滤中的挑战。在数据稀疏、冷启动用户和动态用户偏好方面的挑战。该方法整合了混合推荐策略，包括内容过滤、用户-用户协同过滤和物品-物品协同过滤，以提供全面且个性化的推荐。通过结合基于内容的分析和基于协同过滤的相似性，该系统能够捕捉到单一方法可能遗漏的用户偏好。此外，引入深度学习技术增强了用户行为的建模，从而改进了预测的准确性。实验结果表明，所提出的方法在标准基准数据集上显著优于传统协同过滤方法。与现有算法相比，其性能表现优异，展示了该方法的鲁棒性和可扩展性。该研究对改进数字内容平台上的用户体验、优化电子商务网站中的产品推荐，以及推动在线学习环境中个性化学习路径的发展具有重要意义。### 引言在当今数字时代，信息过载使人们越来越难以从海量内容中找到相关资源。这种复杂性使得推荐系统在过滤无关信息并为用户提供个性化体验方面扮演着不可或缺的角色[1]。推荐系统广泛应用于电子商务平台、流媒体服务以及社交媒体等各个领域，从根本上改变了用户与数字内容互动的方式。它们的成功直接归功于协同过滤（CF）技术的发展，该技术通过挖掘用户行为数据来识别用户偏好，从而产生推荐。然而，协同过滤面临若干固有挑战，这些挑战限制了其性能。数据稀疏问题是其中最突出的挑战之一，它源于用户对潜在庞大项目库中项目的评价稀少。这种稀疏性限制了用户和项目相似度的有效计算，从而导致推荐质量下降[2]。此外，冷启动问题使新用户在缺乏历史交互数据的情况下获得准确推荐变得困难，而动态用户偏好也带来了在用户兴趣随时间演变时保持推荐相关性的额外复杂性[3]。协同过滤的局限性与日益增长的对个性化内容交付的需求形成了尖锐对比。用户期望获得高度相关的推荐，这需要强大的模型，能够处理稀疏数据，应对冷启动场景，并适应动态偏好。解决这些挑战需要一个能够融合多种推荐策略并增强用户行为建模能力的多面系统[4]。为了应对这些挑战，最近的研究越来越多地关注将多种推荐方法结合起来，以克服单一方法的局限性。混合推荐系统因其灵活性而在学术和工业界受到关注，因为它们能够从每种方法的优势中受益，同时弥补它们的缺陷[5]。这些系统集成了内容过滤、用户-用户协同过滤和物品-物品协同过滤，从而提供更为全面的推荐体验。通过结合内容分析来理解用户偏好，协同过滤来发现相似用户或项目，混合系统能够在稀疏、动态的环境中生成更准确和相关的推荐[6]。深度学习为推荐系统提供了又一有力工具，通过复杂模型从用户行为中提取复杂的模式和关系。基于深度神经网络的深度学习模型能够捕捉用户和项目特征之间的非线性关系，从而生成更加个性化的推荐[7]。通过整合深度学习技术，混合推荐系统能够显著增强预测能力，特别是在处理稀疏和动态数据集时。在这项工作中，我们提出了一种新颖的协同过滤方法，它通过混合推荐策略与深度学习技术的融合来解决传统方法的局限性。我们的方法结合了内容过滤、用户-用户协同过滤和物品-物品协同过滤，为捕捉用户偏好提供了一条全面的路径。通过引入深度学习模型来增强用户行为表征，该方法显著提高了推荐的准确性和相关性。实验在标准基准数据集上的结果显示，我们提出的方法与现有算法相比具有改进的鲁棒性和可扩展性[8]。### 协同过滤技术综述协同过滤作为一种推荐系统，已经通过挖掘用户行为数据来识别模式和偏好，并在电子商务平台、流媒体服务和社交媒体等多个领域中改变了用户与数字内容的互动方式[9]。协同过滤在两个方向上运行：用户-用户协同过滤比较用户偏好以识别相似用户，而物品-物品协同过滤分析项目之间的相似性来建议物品[10]。这些方法依赖于从历史交互数据中计算用户或项目相似度，从而生成个性化的推荐。近年来，协同过滤中采用矩阵分解技术取得了显著进展。矩阵分解通过潜在特征捕捉用户和物品之间的潜在关系，从而有效应对数据稀疏问题[11]。这种方法在大规模推荐系统的可扩展性方面表现出色，使其成为实时推荐应用的首选技术[12]。此外，深度神经网络和 Transformer 架构的集成进一步提升了基于协同过滤的推荐系统的性能，能够处理更加复杂的用户-物品交互模式[13]。### 深度学习在推荐系统中深度学习在推荐系统中的应用近年来引起了极大关注，因为它显著增强了推荐模型的建模和预测能力。深度学习模型利用多层神经网络从用户和物品特征中捕捉复杂且非线性的关系，生成比传统方法更为准确的预测[14]。卷积神经网络（CNN）和循环神经网络（RNN）在序列推荐和用户行为分析中应用广泛，能够捕捉用户交互的时间依赖性和动态性[15]。Transformer 架构和注意力机制的引入进一步提升了深度学习在推荐系统中的性能。这些架构能够在用户历史行为中识别关键交互模式，从而实现更加个性化的推荐[16]。此外，通过迁移学习和表示学习整合多模态数据（包括文本、图像和行为数据）的扩展也显著增强了推荐系统的上下文理解和用户偏好建模能力[17]。### 混合推荐方法混合推荐系统通过组合多个推荐算法的优势来克服协同过滤和基于内容的推荐各自的局限性。通过整合多种推荐策略，混合方法提高了系统对推荐质量、鲁棒性和可扩展性的适应性[18]。混合推荐通常涉及协同过滤和基于内容的推荐技术的融合，以应对数据稀疏性和冷启动问题[19]。近年来，混合推荐系统已将集成学习和深度学习纳入混合框架，以进一步提高推荐性能。集成学习通过组合多个模型的预测增强了推荐系统的鲁棒性，而深度学习则被用于更好地捕捉用户-物品交互的复杂关系[20]。将这两种方法相结合，混合推荐系统能够提供更可靠和准确的推荐，特别是在动态和稀疏的数据环境中。### 实验设置与结果本文提出的方法在 MovieLens 数据集上进行了验证，这是一个广泛用于研究推荐系统的标准数据集。该数据集包含不同用户对电影的评分，提供了评估协同过滤方法性能的理想环境[21]。实验评估基于标准评价指标，包括均方根误差（RMSE）、平均绝对误差（MAE）和召回率（Recall）。我们的结果与多种传统协同过滤方法进行了比较，包括基于用户的协同过滤、基于物品的协同过滤以及矩阵分解方法。实验结果表明，我们提出的方法在预测准确性和推荐相关性方面均优于这些方法。此外，我们在混合推荐与深度学习方法的贡献方面进行了消融实验，为每种方法在提高整体推荐性能中的作用提供了洞见[22]。### 结论本文提出并验证了一个新颖的混合推荐与深度学习结合的协同过滤系统，以应对传统方法的局限性，包括数据稀疏性、冷启动问题以及动态用户偏好。通过整合内容过滤、用户-用户协同过滤和物品-物品协同过滤，结合深度学习技术增强用户行为建模，所提出的方法显著提升了推荐的性能、鲁棒性和可扩展性。在标准基准数据集上的实验结果显示，该方法优于现有方法，展示了其应用于电子商务平台、流媒体服务和在线学习环境等不同领域的潜力。本研究为构建能够交付高度个性化和相关推荐的下一代推荐系统开辟了新方向。未来的工作可以进一步探索将多模态数据整合到混合推荐框架中，以及开发能够随着用户交互动态自适应的自适应学习算法。此外，增强推荐系统的可解释性，以更好地向用户解释推荐决策，将是改进用户体验和建立信任的关键研究领域。