في ظل الطلب المتزايد على تقنيات التعرف على وضعيات البشر (Human Pose Recognition) التي تحافظ على الخصوصية وتتحمل التداخل، تأتي تكنولوجيا معلومات حالة القنوات 5G محمولةً معها رؤية جديدة في الوصول لتجارب متقدمة من خلال دمج قدرات الاتصالات والحسّ. مع ذلك، فإن جمع أزواج بيانات وضعية CSI بشكل متزامن على نطاق واسع قد يكون مكلفًا في الأنظمة العملية 5G.

لحل هذه المشكلة، تم تقديم إطار StructFlow-HPR، وهو إطار جديد يستخدم تقنية التدفق المشروط حسب الوضعية لتعزيز معلومات CSI بطريقة مبتكرة. يقوم StructFlow-HPR بتعلم عملية نقل مستمرة خفية من الضجيج الجاوسي إلى تمثيلات CSI الحقيقية مع مراعاة الوضعيات، مع الحفاظ على توبولوجيا الترددات المستقبلة في معلومات CSI عبر استخدام مشفر يحتفظ بإعادة البناء (Reconstruction-Preserving Autoencoder).

علاوة على ذلك، تم تصميم مُحوّل مشروط على الوضعيات (Pose-Conditioned Transformer) نموذجًا لنموذج الحقل السريع الخفي، مما يتيح له توليد عينات CSI متناسقة مع الوضعيات عبر تقنيات أخذ عينات معادلات تفاضلية عادية.

أظهرت التجارب على بيانات الاستشعار الحقيقية لـ5G أن StructFlow-HPR يمكنه إنتاج أزواج CSI-وضعية واقعية، مما يعزز الأداء في مهام التعرف على الوضعيات في ظل وجود بيانات محدودة.

يمكن اعتبار هذه التقنية تطورًا مهمًا في مجال الذكاء الاصطناعي، ومن شأنها أن تُغير طريقة تعاملنا مع تقنيات الاستشعار والاتصالات في المستقبل.