DeepCPD: Deep Learning Based In-Car Child Presence Detection Using WiFi
原始资料：../evidence/papers/2025-deepcpd-wifi-child-presence-detection.pdf
资料层级：evidence/papers。
资料类型：PDF 论文，arXiv 2025。
状态：已用 pdftotext 抽取，已索引方法、数据集、指标和失效边界。
基本信息
- 标题：DeepCPD: Deep Learning Based In-Car Child Presence Detection Using WiFi
- 作者：Sakila S. Jayaweera, Beibei Wang, Wei-Hsiang Wang, K. J. Ray Liu
- 机构：Origin Research
- arXiv：2505.08931v1
- 关键词：Child Presence Detection, WiFi sensing, CSI, ACF, Transformer
- 相关实体：Origin AI实体
可直接引用的事实
- 目标不是传统
presence / empty，而是区分empty / child-only / adult；其中 adult 类包含 child+adult 场景，符合“只有儿童单独留车才需要强报警”的应用逻辑。 - 输入不是 raw CSI，而是从 Wi-Fi CSI 推导的 auto-correlation function（ACF）。作者认为 ACF 能突出人体运动/呼吸并削弱车型静态反射差异。
- 作者强调不能把所有 subcarrier 的 ACF 简单平均；averaged ACF 会丢失区分 child/adult 所需的空间差异，因此使用 full subcarrier-wise ACF 矩阵。
- 实验硬件使用 NXP Wi-Fi chipset，2 Tx + 2 Rx。
- 数据覆盖 25+ / 30 个车型描述，论文不同位置表述略有差异；保守引用为“约 25-30 个车型、超过 500 小时数据”。
- 总体 accuracy 92.86%，child detection rate 91.45%，false alarm rate 6.14%；CNN baseline accuracy 79.55%。
- sleeping child 往往比 awake child 更容易，因为儿童呼吸频率通常约 20-30 BPM，和成人差异更明显；older awake child 因运动模式接近成人，是更难场景。
方法细节
DeepCPD 的 pipeline 是：CSI 预处理 -> ACF 矩阵 -> AutoFormer-style transformer encoder -> MLP 三分类头 -> observation window 内 temporal smoothing。
关键设计：
ACF stability：raw CSI 对车体/静态反射敏感；ACF 更接近人体动态特征。subcarrier-wise input：保留每个 subcarrier 的 ACF，而不是做 maximum-ratio averaged ACF。AutoFormer encoder：利用 autocorrelation-based attention、series decomposition 和 positional encoding 建模 ACF lag 与 subcarrier 间关系。two-stage training：第一阶段把 adult/child 都合并为 presence，用室内 Wi-Fi 数据和车内 presence/empty 学基础 motion/breathing；第二阶段用车内数据 fine-tune 成 empty/child/adult。link permutation：利用 2x2 天线链路的可置换性，模拟不同 seat / antenna relation。link mix：把高敏感链路和低敏感链路从不同样本混合，尤其用于提升 awake child vs adult 的区分。
数据与评估条件
- 车内数据包含 empty、child under six、adult over 21；child+adult 合入 adult 类。
- 天线配置比较了 colocated、distributed、hybrid 三种；distributed/separated 更有空间多样性，colocated setup 因链路多样性不足而更弱。
- 数据采集覆盖 busy parking lot、heavy rain、strong winds、车外人员/运动干扰等复杂环境。
- 论文扩展了作者既有 WiCPD 数据：包括 empty car、baby doll 多位置、真实 baby car seat 数据，以及新增 adult presence 数据。
- 训练/测试强调 unseen car split，即测试车型不在训练中。
证据价值
这份资料对 新sensing技术雷达 的价值在于：Wi-Fi CPD 已经从“presence vs empty”推进到 child/adult 区分，而且给出了跨车型、跨天线、跨天气的实验设计。
它把 CPD 竞争焦点从传感器本身推进到“可解释的误报控制”：
- 成人留在车内不应触发 child-left-alone 强报警。
- sleeping child 不应因微运动弱而漏检。
- 天线布局、CSI 权限和数据增强会直接决定算法是否能从 demo 走向量产。
不能直接推出的结论
- 不能把 92.86% accuracy 等同于法规通过；论文没有给出 Euro NCAP 或 OEM 级测试协议。
- 不能假设所有车规 Wi-Fi 模块都能开放 CSI；量产门槛可能在 TCU/IVI 权限、固件接口和天线布局，而不是模型结构。
- 不能把 DeepCPD 视为 camera DMS 替代品；它更像 CPD/occupancy 的 direct sensing 补充。
- 不能忽略 older awake child 和 colocated antenna setup 这两个论文自己暴露的弱点。
对 MINIEYE 的启发
短期更合理的动作不是自研 Wi-Fi CPD，而是把 Wi-Fi sensing 列为 CPD 传感器备选，并建立供应链/接口问题清单：
- 车内 Wi-Fi/TCU/IVI 是否可导出 CSI 或等价低层信道统计。
- 现有天线布局是否有足够空间多样性，是否能做 distributed 方案。
- 与 radar / camera / seat sensor 的融合分工：Wi-Fi 负责遮挡下 child-only 证据，camera 负责身份/姿态/交互可解释性。
- 用 DeepCPD 的失效点反向设计测试集：older awake child、adult+child、blanket/footwell、强风雨、车外人员干扰、不同天线布局。
相关页：