使用Wi-Fi传感简化现场检测方案

新出现的Wi-Fi传感技术为各种嵌入式和边缘系统带来了巨大的好处。在正常操作下,Wi-Fi传感器仅使用Wi-Fi接口已经产生的无线电信号,理论上就能够使嵌入式设备探测到人的存在,估计人的运动,估计其位置,甚至感觉到手势和微妙的动作,如呼吸和心跳。

智能家居、娱乐、安保和安全系统都能从这种能力中获益。例如,汽车中的小型传感器可以检测到后座乘客的存在--这很快将成为新客车的一项要求。它甚至可以探测到一个孩子在毯子下呼吸,因为它不需要视线。或者家里有一个便宜的无线监控器,当一个人跌倒时,可以在房间里或透过墙壁探测到--在家庭护理的情况下,这是一个救命的人。

直到最近,只有依赖于附近Wi-Fi接入点的处理能力的无源射频接收器才能进行这种传感。现在,它可以在每一个使用无线电的终端设备上完成。本文探索了设计师如何从理论上理解到被运送的产品。

它是如何运作的

Wi-Fi传感器的优雅之处在于它使用了已经存在的东西:Wi-Fi设备用来通信的射频信号。原则上,Wi-Fi接收设备可以在接收这些射频信号时检测到这些信号的变化,并从变化中推断出接收器周围地区的人的存在、运动和位置。

早期的尝试是使用Wi-Fi接口的接收信号强度指示器(rssi),该指示器由接口定期生成,以表示平均接收信号强度。就像被动红外运动探测器将红外强度的变化解释为其传感器附近的运动一样,这些Wi-Fi传感器将rssi值的变化解释为接收器附近物体的外观或运动。

例如,一个人可以通过在接收器和接入点的发射器之间走一步来阻断信号,或者一个路过的人可以改变到达接收器的多路径混合。

在现实世界中,即使没有人在附近,rssi也是不稳定的。将噪音、发射器增益变化和许多其他来源的影响与人的实际外表分开是很有挑战性的。

这使得研究人员转向了更丰富、更频繁更新和更稳定的数据流。随着多天线和多子载波频率的出现,发射机和接收机需要比RSSI更多的信息来优化天线的使用和子载波的分配。它们的解决方案是利用802.11n标准中的通道状态信息(CIC)。这应该可以从任何符合要求的接收器,尽管准确性可能不同。

每一次载波被激活时,接收器都会报告CSI。它基本上是一个复杂数字矩阵,每个元件的传输量和相位为一个传输和接收天线的组合。三发射天线,两接收天线通道将是3x2阵列。接收器为每个子载波激活生成一个新矩阵。因此,总的来说,接收器为每个活动子载波维护一个矩阵。

该系统捕获的信息远远多于RSSI,包括每个路径和频率的衰减和相移。原则上,所有这些数据都包含了关于发射器和接收器周围环境的丰富信息。在实践中,技术论文通过分析实验中的变化,准确地推断了实验对象的存在、位置、动作和动作。

捕捉在场数据

任何符合要求的Wi-Fi接口都应该生成该系统的数据流。这部分很容易。然而,处理数据并从中作出推论是传感器系统的工作。这一过程一般分为三个阶段,遵循为视频图像处理制定的惯例:数据编制、特征提取和分类。

第一个挑战是数据准备。虽然csi比rssi稳定得多,但仍然很吵,主要是因为附近发射机的干扰。诀窍是去除噪音,而不消除有时候,在数量或相位上的微妙变化,下一阶段将依赖于提取特征。但如何做到这一点取决于提取算法,最终取决于分类算法和感知到的信息。

一些准备算法可以简单地将该数据分类到时间容器,丢弃异常值,并寻找幅度的变化。其他人可能试图提取和放大子载波之间难以捉摸的相位关系变化。因此,数据准备可以是从一个简单的时序滤波器到一个要求很高的统计算法的任何东西。

分析和推论

下一阶段的管道将分析被清理的数据流以提取特征。这个过程类似于在视觉处理中的特征提取--一直到某一点。实际上,情况完全不同。例如,视觉处理可以使用简单的像素数值计算来识别图像中的边缘和表面,然后推断被边缘包围的表面是一个物体。

但Wi-Fi传感器无法处理图像。他们得到的数量流和相位数据与房间中物体的形状没有任何明显的联系。Wi-Fi传感器必须提取并非物体图像而是数据流异常的特征,这些特征具有持续性和相关性,足以表明环境发生了重大变化。

因此,提取算法将不仅仅是操作像素,而是执行复杂的统计分析。提取阶段的输出将是一个简化的表示器,只显示异常,算法确定为数据的重要特征。

管道的最后阶段是分类。这就是Wi-Fi传感器试图解释提取阶段报告的异常现象的地方。解释可能是一个简单的二进制决定:现在房间里有一个人吗?那个人是站着还是坐着?它们掉下来了吗?

或者它可能是一个更定量的评估:人在哪里?它们的速度向量是什么?或者这可能是一种几乎定性的判断:一个人是否做了一个可识别的手势?他们有呼吸吗?

决定的性质将决定分类算法.通常,站在房间里的人与随之而来的犯罪现场调查数据的变化之间没有明显的、可预测的联系。因此,开发人员必须从测试用例中收集实际的csi数据,然后构建统计模型或参考模板,通常称为指纹。然后,分类器可以使用这些模型或模板来最好地匹配提取器的特性和已知的情况。

另一种方法是机器学习。开发人员可以将提取的特征和这些特征的正确分类输入到支持向量机或深学习网络中,训练模型对特征的抽象模式进行正确分类。最近的研究表明,这可能是最有力的分类方法,据报道,某些分类问题的准确性从90%到100%不等。

Wi-Fi传感器

嵌入式Wi-Fi传感器的前端实现很简单。所需要的只是一个随需而来的802.11n接口,以提供精确的csi数据。后端更具有挑战性,因为它需要在耗电和能力之间进行权衡。

对于数据准备阶段,简单的滤波可能在一个小CPU核心的范围内。毕竟,只有当子载波被激活时,一个小矩阵才会出现。但是更复杂的统计算法将需要低功率的DSP核心。特征提取的统计技术也可能需要DSP的功率和效率。

分类是另一回事。所有报告的方法都很容易在云中实现,但对于一个孤立的嵌入式传感器,甚至对于一个必须限制其上游带宽以节约能源的边缘设备来说,这没有什么帮助。

从算法的轨迹来看,从指纹匹配到隐藏的马尔可夫模型,再到支持向量机和深学习网络,趋势表明未来的系统将越来越依赖于低功率的深学习推理加速器核心。因此,Wi-Fi芯片传感系统可能包括CPU、DSP和推理加速器。

然而,随着这个架构变得更加明显,我们看到了一个讽刺。Wi-Fi传感器比其他传感器技术的优势在于它优雅的概念简单。但是,随着我们揭示了将犯罪现场调查中闪烁的变化转化为精确的推论的真正复杂性,其他的事情就变得很清楚了。

要将成功的Wi-Fi传感器推向市场,就需要与拥有低功率IP、设计经验和对算法的深入了解--目前和正在出现的开发商建立密切的伙伴关系。选择开发伙伴可能是开发人员必须做出的许多决策中最重要的决定之一。