文献阅读（9）

LIFS: Low Human-Effort, Device-Free Localization with Fine-Grained Subcarrier Information（MobiCom 2016）

针对的问题：现有的设备无关的定位技术大多利用指纹信号进行定位（RSS or CSI），需要大量的指纹训练工作和维护；且现有的设备无关的定位方法需要知道所有收发器的位置；

本文的方法：通过量化目标位置和CSI值之间的关系，提出一个准确的基于模型的设备无关的定位方法，而不需要进行繁重的训练过程（仅需收发器之间的baseline measurements，且不需要知道所有收发器的位置）

面临的挑战和解决方案：
1. 由于室内多径传播和硬件噪声的影响，不能直接利用原始的CSI测量值进行建模：本文利用不是所有的子载波都受到多径效应的影响，提出了一个预处理方法，滤除那些受到多径和硬件噪声影响严重的子载波，利用预处理后的CSI值建立功率衰减模型（power fading model，PFM）
2. 部分收发器的位置是未知的（如移动手机，平板电脑等）：本文建立多个PEM等式来约束目标以及未知的收发器位置，依据未知的收发器位置是线性增长的，而PEM的增长是二次的（over-determined equations）

具体实现：

1. 背景知识（功率衰减模型，power fading model，PFM）
   
   根据无线通信原理，一组收发器之间的功率衰减包括：传播衰减，衍射衰减和目标吸收衰减。

   1. Propagation fading： Lij=10log[λ216π2d2ij]
   2. Diffraction fading：衍射衰减 Dijt 指的是目标位于链路 lij 的第一菲涅耳区（First Fresnel Zone，FFZ）引起的衰减，图中FFZ的圆形横截面的半径大小为 r1=(λ2⋅dit⋅djt)/dij−−−−−−−−−−−−−√ 。
      
      Dijt=20log(2√2⋅|∫∞νexp(−J⋅πz22)dz|)
      
      其中 ν=ht2(dit+djt)/(λ⋅dit⋅djt))−−−−−−−−−−−−−−−−−−−√ ， ht 为目标的有效高度，因此衍射衰落和有效目标高度相关（图中为收发器高度相同，有效高度为常量的理想情况）
   3. Target absorption fading：当目标位于视距路径（LoS）时，会引起大量的信号衰减 At,At<0
      综上，功率衰落可表示为（即CSI幅度测量值）：
      

   注：关于衍射理论更多的内容可参考“RSS Distribution-Based Passive Localization and Its Application in Sensor Networks（IEEE Transactions on Wireless Communications 2016）”

2. CSI预处理：根据功率衰减模型，当目标位于FFZ时，CSI的改变仅与目标的位置和有效高度相关，但是多径反射和环境噪音也会影响CSI变化。
   
   
   1. 多径环境下的CSI变化： 由于室内多径的存在，当目标位于FFZ时，不是所有的子载波CSI变化都会经历信号衰减的，可以分为三类：expected change（decrease and comform to the diffraction theory），abnormal change（increase）和transition change。
   2. CSI预处理：由于不同的子载波存在频率选择性衰落，本文移除那些受多径影响严重的“dirty subcarriers”，而保留哪些符合传播模型的子载波。本文首先利用“power decrease”来滤除异常子载波，针对过渡变化采用基于阈值的方法判断功率衰减大小（所有子载波标准差的平均值）。
      
      δeff=1K∑k=1Kfkf0×δk
      
      当目标位于视距路径上时，阈值 δeff 还需加上 |At| ，根据所有子载波的平均变化是否大于5dbm判断是否位于视距（这个值的大小是与人和环境相关的？ |At| 怎么确定？是需要根据目标计算的经验值？）
      令 F=F1,F2,⋯,FK 和 O=O1,O2,⋯,OK 分别为目标位于FFZ时的CSI测量值和无目标下的测量值，根据阈值选取子载波 I=j:Fj−Oj>δeff,1≤j≤K ，则
      
      CSIeff 满足公式（4）或（5）， ΔCSIeff 符合衍射理论
      
      
      注：可以考虑利用相位进行有效子载波（clean subcarriers）选择，如有效的相邻子载波的相位应该表现出线性变化性质，但是需要先对原始相位进行去噪；本文采用的阈值滤除阈值方法仅对那些受多径影响测量值变化较小的子载波，而对那些多径导致信号衰落的子载波无能为力；
3. 系统设计
   
   1. LIFS基本思路：假设存在N个AP（位置已知且固定），M个客户端（clients）和一个目标。则无线链路数为 MN （AP-client）和 N(N−1)/2 （AP-AP），则可以建立 MN+N(N−1)/2 个等式来约束目标位置，其中最多的未知量数不超过 2M+3 （M个client，1个target和有效高度），故只需满足 MN+N(N−1)/2>2M+3 即可。
   2. 基于优化方法的位置确定
      优化目标：
      J=min1|Y|∑|yij−PEM(Ci,Cj,Ct,ht)|
      
      两种预处理 yij 的方案：若位于FFZ，则按照前述方法处理，否则按照FILA中的方法进行处理：
      CSIeff=1K∑k=1Kfkf0Ok
      
      LIFS首先进行一个粗糙的位置范围估计，在根据范围选取相应的CSI预处理方案：
      
      由于菲尼耳积分的存在， J 为非线性函数，本文采用遗传算法（GA）和梯度下降法（GD）相结合的混合算法进行求解。
      注：由于信号衰落 At 依赖于检测目标，LIFS将 At 也作为一个未知量进行计算（由于等式数量通常远大于未知量个数，故可行）
   3. 处理客户端移动性（client mobility）：根据多个AP采集的CSI数据的变化，滤除移动客户端的CSI测量值，仅利用大量静态client的数据。

本文亮点：与传统的频域转换到时域，消除多径影响，再建立信号传播模型不同（device-based，如FILA），本文充分研究了device-free情况下信号传播的衰落模型，利用不同子载波的频率选择性衰落，选取受多径影响小的子载波用于PFM方程的建立；建立多个PEM方程进行目标位置求解；与基于指纹的方法不同，基于模型的方法无需大量的指纹训练过程