RF-LEGO: Modularized Signal Processing-Deep Learning Co-Design for RF Sensing via Deep Unrolling 论文阅读

全文概览

无线感知的信号处理流水线通常包含频率变换、角度估计和目标检测。经典算法给出了清楚的中间量，但固定参数很难适应所有噪声与多径条件。端到端网络能学习这些变化，换任务时却常常需要重新设计输入、输出和训练过程。RF-LEGO 选择逐个改造处理模块，让学习得到的算子继续输出频谱、角谱和检测结果，以便接入已有系统。

论文用深度展开实现三类模块：把频率变换中的卷积变成可学习复数网络，把稀疏角度估计的迭代步骤展开成网络层，把检测中的背景估计与判决改造成可训练的状态空间模型。模块分别训练，可以单独替换，也可以串联使用。贡献集中在这种模块复用能力，以及合成数据训练后对真实无线信号的验证。

作者报告了角度误差、目标检测和下游任务上的改进，同时展示了明显增加的推理开销。论文还承认，内部表征可能偏离经典算法的物理输出，因此这里的可解释性主要来自结构与接口。下面先解释三个模块怎样保留信号处理逻辑，再检查训练、实验和部署代价。

本文依据香港大学 Luca Jiang-Tao Yu、Chenshu Wu 的 arXiv v1 全文。该版本提交于 2026 年 4 月 11 日；MobiCom 2026 官方录用列表列有该论文。本次作为既有论文深读，不把会议召开日期当成首次上线日期。阅读覆盖主文第 1—9 节，核对关键图表及代码仓库 README；本文没有执行代码或独立复现实验。

图 1：原论文 Figure 1，作者 Luca Jiang-Tao Yu、Chenshu Wu，按 CC BY 4.0 引用，原图未修改。查看高清原图。图中重点是模块的输入输出关系：同一个模块可用于不同任务，多个模块也可沿处理链组合；这一设计不自动保证每个内部状态都有严格物理含义。

背景与问题：怎样让学到的前端继续服务已有系统

以毫米波雷达跟踪为例，接收信号需要先转换到距离或多普勒域，再利用天线间的相位差估计角度，最后检测目标并交给跟踪器。频谱、角谱和目标位置分别对应不同的物理量。若学习模型直接输出最终轨迹，前端改进与后端变化就很难区分，也很难把模型搬到呼吸监测或动作识别中。

RF-LEGO 保留这些分工：频率变换仍输出谱表示，波束形成仍输出角度网格上的谱，检测模块仍输出对应位置的检测分数。它将部分固定系数与更新规则交给数据学习，尽量保留复数运算、阵列几何和处理顺序。这样可以继续使用原有跟踪器或分类器，也能通过单独替换一个模块判断改进来自哪里。原文第 2—3 节

这里需要区分两个判断：输出可以继续接入某个物理域，并不说明输出数值与经典算法完全相同。训练目标可能鼓励更适合检测或分类的谱形状；如果系统还需要高精度测距、标定或不确定性估计，就应进一步检查这种变化。

核心机制：三个可学习算子如何保留处理结构

频率变换：从固定卷积走向可训练谱算子

离散傅里叶变换可以通过 Bluestein 分解写成两端的 chirp 调制与中间卷积。RF-LEGO 保留两端的调制，把中间固定卷积替换成浅层复数卷积网络，并用原算法对应的 chirp 核初始化。轻量非线性帮助模型处理谱泄漏和噪声；消融中，额外的置零处理头贡献较小，主要收益来自展开结构与可学习卷积。

这解释了为什么模块仍能输出供下游使用的频谱，也说明它已经成为学习得到的变换。不能把其输出等同于对所有输入都严格成立的 DFT。默认配置为 256 点，论文报告约 0.8M 参数和 0.02 GFLOPs；这些数值只属于该 FT 模块。原文第 3 节频率变换与第 4 节配置

波束形成：把有限次稀疏求解变成网络层

阵列测量可由导向字典与稀疏角谱的乘积描述。经典 LASSO 在拟合测量的同时约束角谱稀疏性，ADMM 则通过反复更新变量求解。RF-LEGO 将有限次 ADMM 更新展开成网络层，保留由阵列几何确定的导向字典，并学习正值步长、对角预条件和更新门控。默认设置是 8 天线均匀线阵、10 层，在 −60° 到 60° 范围内使用 1° 网格。

门控将当前候选更新与前一次迭代状态结合，使网络能够根据输入调整更新幅度。它保留了迭代记忆，也避免采用 MUSIC 中的特征值分解。有限层的学习更新仍需通过实验检查精度，不能据此推导出传统优化器的收敛保证。

图 2：原论文 Figure 4，作者同上，CC BY 4.0，原图未修改。查看高清原图。左侧表示展开的变量与更新关系，右侧用角谱展示目标方向和不同方法的输出。这里的单例曲线用于理解机制，整体角度误差应以多场景实验为准。手机阅读时建议打开高清图查看公式和图例。

检测：用序列状态吸收背景变化

经典 CFAR 使用邻域背景估计设置检测阈值。RF-LEGO 将背景信息的积累交给可训练的离散状态空间模型：当前状态由前一状态和当前输入共同决定，输出再由状态与输入映射到检测分数。模型可以结合前后位置的上下文处理杂波，而非对每个采样点孤立判决。

这类输出仍需要阈值选择。论文在比较检测率时将虚警率匹配到 10⁻³，以免单纯放宽阈值造成“检测更好”的假象。采用 CFAR 的处理思路不代表模型在任意新环境中都能自动保持这一虚警率，部署时仍需检验校准与阈值漂移。原文第 3 节检测模块与第 5.2 节评测

图 3：原论文 Figure 5，作者同上，CC BY 4.0，原图未修改。查看高清原图。右侧示例横轴为 ToF bin，比较 UWB 信号及检测输出；曲线说明局部杂波与判决的关系，不能代替固定虚警率下的汇总评估。手机上的细图例可在原图中放大查看。

实验与证据：合成训练能否改善真实感知链路

训练与真实测试使用不同数据来源

每个模块使用约 30,000 帧合成数据，信噪比范围为 5—40 dB，按 80%/20% 划分训练与验证。默认模块实验没有使用真实数据训练；论文另做了真实数据微调实验。因此，“合成训练后能在真实数据上改善表现”有实验依据，但仍受论文选定的数据生成模型和硬件条件约束。

训练使用 PyTorch、RTX 4090 与 AdamW，学习率 10⁻³、权重衰减 0.01、批量 512。FT 和波束形成采用余弦相似度相关损失，检测使用二元交叉熵。默认波束形成和检测模块分别约 0.6M、0.4M 参数。合成监督降低了模块训练所需的实测标注量，系统的真实测试和下游任务仍需要参考真值。

真实测量包括 TI IWR1843 与 DCA1000 的 77—81 GHz 毫米波雷达、7.29 GHz、100 Hz 的 XeThru X4A02 UWB，以及基于 Intel AX200 双接收天线的 Wi-Fi CSI。论文还使用公开数据；其中 DeepSense6G 属于研究数据与实验平台，不能据名称推断为商用 6G 感知部署。原文第 4 节

模块结果、消融与下游任务各回答什么问题

角度与消融结果来自第 5 节，动作识别来自第 6.3 节。MCD-Gesture 包含 6 个环境、25 位用户和 5 个位置；7 类设置将非手势活动合并为一类，13 类设置分别识别 6 种手势与 7 种活动。跨用户采用 15/10 划分、跨环境采用 3/3、跨位置采用 3/2，这些是分别进行的测试，不能合并解释为同时面对未见用户、环境和位置仍达到表中的平均精度。

下游实验还包括跟踪与呼吸估计。跟踪使用 4×4 m 场地及 OptiTrack 真值，比较时保持 EKF 后端和处理条件一致，因而更容易判断前端替换的作用。呼吸实验使用成人呼吸带真值和婴儿呼吸模拟器；模拟器结果不能外推成真实婴儿临床验证。全文中的这些结果均为作者报告。原文第 6 节

推理开销决定模块能放在哪里

论文 Table 2 给出了不同平台的模块推理延迟。下表每格均为 RF-LEGO / 经典信号处理，单位 ms，沿用作者测量配置。

所有列出的模块都比对应经典算法更慢。单看检测器，在 Orin Nano 上是 6.20 ms，在 ESP32-P4 上则达到 122.46 ms。它们是单模块延迟，不能直接当作整条流水线的帧率；采集、搬运、其他模块和后端还会增加开销。论文这张表也没有给出可用于比较整机能耗的测量，因此部署预算需要额外实测。原文第 5.3 节与 Table 2

局限与适用边界

首先是论文第 8 节明确提出的“信息异化”：学习后的内部表示可能偏离经典算法具有清晰物理定义的输出。接口与结构有助于理解处理过程，但距离峰、角谱峰或隐状态是否保持原有标定关系，需要单独验证。下游分类准确率提高不能替代物理量误差评估。

其次，合成数据覆盖不等于任意硬件免适配。天线排列、阵列间距、信号长度、采样方式和频段决定输入的含义。论文在选定系统上的迁移结果，没有证明更换阵列几何或采集链路后可直接复用所有权重。4 天线消融中的误差上升也说明可学习更新无法消除观测信息不足。

最后是算力与评测边界。微控制器上的模块开销可能成为瓶颈，阈值则可能随环境变化而失准。现有公开仓库提供 FT、波束形成、检测与训练器接口，但本文只核对 README，没有验证安装、权重可用性或实际运行表现。仓库徽章及自述也不能替代本文自己的复现。

可验证的启发

以下是基于论文机制提出的尝试，尚未执行。

逐块替换，确定收益来自哪里。 保持采集数据、预处理、检测阈值协议和后端一致，分别替换 FT、波束形成、检测，再比较串联组合。除了谱峰指标，还同时记录距离/角度误差、固定虚警率下的检测率与下游性能。如果只改善分类准确率，却破坏物理量标定，就需要限制该模块的用途。

把物理一致性作为独立检查。 用已知距离和角度的目标进行标定，在训练外场景中检查峰值位置偏差、幅度响应和检测分数校准。依据来自原文承认的信息异化问题；最小实验可以先用一个模块、两种杂波环境，比较经典输出和学习输出随目标移动的变化。若误差出现系统性漂移，先查表征与输入条件，不直接用最终识别分数证明可解释性。

先定端侧预算，再决定展开深度。 在目标设备上固定采样率与输入尺寸，测量整条链路的 P95 延迟、功耗和虚警变化，再减少展开层数或模型宽度。接受条件应同时包含任务精度和可用处理周期；持续超时或虚警明显漂移时，应暂停接入并重新评估模块配置。作者的延迟表提供了起点，实际预算需要在自己的设备上确定。

参考资料

1. Luca Jiang-Tao Yu, Chenshu Wu：RF-LEGO，arXiv:2604.10183v1 全文，2026-04-11。本文方法、实验、消融、部署开销与局限的主要来源。

2. arXiv 摘要与版本记录、论文 PDF。ACM DOI 为 10.1145/3795866.3796683；本次未从受限出版社页面确认首次在线日期。

3. RF-LEGO 官方代码仓库与 README 原始文件。仅阅读项目结构、接口与训练示例，未运行代码。

4. MobiCom 2026 官方录用列表。用于核对录用状态，不作为首次上线日期证据。

资料核验日期：2026-10-26。三张插图均出自上述 v1 论文，遵循 CC BY 4.0，保留作者、图号和原图链接；代码许可与论文图片许可分别判断。