无线感知论文知识点记录

Widar1.0

• 发包速率：widar1.0中提到，250Hz的传输速率即可跟踪人的行走。

Position Tracking for Virtual Reality Using(MUSIC算法应用)

• 相位失真：
  ①WiFi接收器接收到的信号相位与WiFi信号源和接收器之间的距离成正比。然而，信号在到达接收器之前沿着多个传播路径传播，并且在接收器处获得的信号是来自所有路径的信号的叠加。这种称为多径的现象会扭曲接收信号的相位，并且相位不再与飞行时间成正比
  ②WiFi 信号源和 WiFi 接收器是不同的设备，因此具有不同的物理振荡器，因此具有不同的时钟。两个设备上的振荡器不断相互漂移，导致设备之间的时间偏移不断变化。这个额外的时间偏移进一步扭曲了接收信号的相位。

Multiple Emitter Location and Signal Parameter Estimation(MUSIC算法)

• MUSIC算法可实现以下估计：
  ① 信号数量
  ② 到达方向（DOA）
  ③ 方向波形之间的强度和互相关
  ④ 极化
  ⑤ 噪声干扰的强度
  ⑥ 频率估计

• 除了MUSIC算法，还有 普通波束成形 (BF)、最大似然 (ML) 和最大熵 (ME)
  $$\begin{array}{rl}{P}_{\mathrm{BF}}(\theta )& =a^{\ast }(\theta )Sa(\theta )\\ P_{\mathrm{ML}}(\theta )& =\frac{1}{a^{\ast }(\theta )S^{-1}a(\theta )}\\ P_{\mathrm{ME}}(\theta )& =\frac{1}{a^{\ast }(\theta )c{c}^{\ast }a(\theta )}\end{array}$$

AOA 估计中的MUSIC 算法

• MUSIC算法几个结论
  ① MUSIC 算法中噪声方差越小，即信噪比越大时其分辨率越高
  ② MUSIC算法中信号和噪声的时间采样数越大(发包频率)，AOA估计性能越好。
  ③ 当入射角度太相近时，MUSIC算法无法区分入射角度。根值MUSIC算法可以一定程度上改进！

MUSIC算法先平滑后根值法解相干信号源AOA

• 收静态数据时，设定入射信号有两个，MUSIC算法估计AoA不准确的原因：
  非相干信号信源协方差矩阵为满秩矩阵，相干信号信源协方差矩阵为非满秩矩阵。静态数据，是相干信号，特征向量呈现发散的特征，从而降低AOA 估计的精度。
• 先前后向平滑，后根值MUSIC算法
  解决相干信号源，当入射信号到达角度间隔较小（11°）时AoA估计不准的问题

利用双天线商用WiFi信道状态信息估计到达角

• 从数学公式的角度分析，为什么MUSIC算法对相干信号的估计不准确：
  空间谱估计 MUSIC 算法的核心就是对协方差矩阵 $R_{XX}$ 的特征值的分析
  $${\mathbf{R}}_{XX}=\mathbf{E}\left\{\mathbf{X}{\mathbf{X}}^{\mathrm{H}}\right\}=\mathbf{A}{\mathbf{R}}_{}{\mathbf{A}}^{\mathrm{H}}+{\mathbf{R}}_n$$
  式中, 信号相关矩阵 ${\mathbf{R}}_S=\mathbf{E}\left\{\mathbf{S}{\mathbf{S}}^{\mathrm{H}}\right\}$; 噪声相关矩阵 ${\mathbf{R}}_n={\sigma }^2\mathbf{I},{\sigma }^2$ 是噪声功率, $\mathbf{I}$ 是单位矩阵。如果 $\mathbf{S}$的 $k$ 个信号源之间互相独立, 则 $\mathrm{rank}\left\{{\mathbf{R}}_s\right\}=k$, 由 ${\mathbf{R}}_{XX}$ 特征值分解就可以得到信号子空间和噪声子空间。此时, $a(\Theta ,t)$ 与噪声子空间正交,通过信号零点确定来波方向。
  但是, 如果 $k$ 个信号源之间有某些信号完全相干, 且在实际室 内环境中, 多径效应也会造成不同路径信号之间 存在相干的情况, 此时$\mathrm{rank}\left\{{\mathbf{R}}_s\right\}<k$, 导致此时 $a(\Theta ,t)$ 与噪声子空间不正交, 造成信号零点的漏检测和谱峰误判。
  目前一般进行去平滑的空间平滑技术包括前向平滑和前后向平滑来处理相干信号, 使得两个相关的信号同时进入不同的子阵列 。

基于Wi-Fi信道状态信息的室内定位算法研究

• 飞行时间ToF
  $\mathrm{ToF}$ 定义为信号从发送器到达接收器的传播时间, 基才 $\mathrm{ToF}$ 的定位方法主要是利 用 $\mathrm{ToF}$ 求出发送器到接收器之间的物理距离, 即 $\mathrm{ToF}$ 的值乘以光速 $c=3$ * $10^8\mathrm{m}/\sec$, 然后运用三角定位等方法估计出用户位置。基于 $\mathrm{ToF}$ 的定位方法的精确度 主要取决于 $\mathrm{ToF}$ 值的准确性, 这就要求信号发送器和接收器保持严格时钟同步, 收发器的时钟偏差必须在纳秒 (nanosecond, $ns$ ) 级以下。同时, 收发器也必须具有较高的采样率, 才能尽可能的保证信号发送时刻时间戳和信号接收时刻时间戳的准确性。但 是上述要求在目前广泛部署的各类通信网络中都是很难达到的, 在最普遍的 Wi-Fi 网络中, 设备与设备之间的时钟偏差通常在微秒 (microsecond, $\mu \mathrm{s}$ ) 级。因此, 基于 ToF 的室内定位技术要运用在现有通信网络中还有很长的路要走。

• IEEE802.11n协议对子载波的编号和分组模式都进行了定义。无论是在 $20\mathrm{MHz}$ 带宽还是 $40\mathrm{MHz}$ 带宽下, Intel 5300仅支持测量 30 个子载波 CSI, 具体测量的子载波集见下表, 即 $20\mathrm{MHz}$ 带宽分组模式为 2 的子载波集和 $40\mathrm{MHz}$ 带宽分组模式为 4 的子载波集。
  

基于WiFi信道状态信息的室内定位跟踪技术研究

• 利用室内多径信号的空间稀疏性，采用基于稀疏重构的算法，可以显著地提高AoA估计的精度
  《RoArray: Towards More Robust Indoor Localization using Sparse Recovery with Commodity WIFi》

• 基于粒子滤波的被动定位跟踪方法，待研究

CentiTrack: Towards Centimeter-Level Passive Gesture Tracking with Commodity WiFi

• CSI幅度噪声由以下因素引起：
  ①AGC的功率控制不确定性误差
  ②周围的电磁噪声波动

  但它们在同一 RX的所有天线上是一致的，可以利用两个相邻天线之间的幅度比来消除噪声。与此同时，由于天线之间的物理空间间距，与运动相关的幅度波动在不同天线上是有差异的，因此，幅度比可以去除噪声但保留感兴趣的信号。

• CSI相位噪声由以下因素引起：
  ①载波频率偏移(CFO)
  ②数据包检测延迟(PDD)
  ③采样频率偏移(SFO)
  ④采样时钟偏移(STO)

  对于特定子载波，相位噪声在 RX 所有天线上是相同的，因为它们拥有相同的RF振荡器。因此，可以通过所有子载波上的天线之间的相位差来消除这些误差
  《IndoTrack: Device-Free Indoor Human Tracking with Commodity Wi-Fi》共轭相乘消除相位噪声
  《RT-Fall: A Real-time and Contactless Fall Detection Approach with Commodity WiFi Devices》

Device-Free WiFi Human Sensing: From Pattern-Based to Model-Based Approaches

• 基于模式（学习）的人类感知方法

     其依赖于一致且可区分的信号模式来进行行为识别，这意味着某个行为要有相同的信号模式。如果相同行为的信号模式不一致（例如，在多个不同位置执行的相同活动），则传感系统可能会面临严重的性能问题。
    基于模式的方法的性能依赖于训练和测试的数据样本。通常，基于模式的传感系统是建立在从几个地点收集的几个人的小型训练数据集中学习的模型之上的，因此当部署在不同大小的房间或布局，或更改每个 WiFi 设备的位置时需要重新收集数据，难以扩展。
    尽管在特征选择、环境依赖性和可扩展性方面存在缺陷，但基于模式的方法在无设备人类行为传感应用中非常流行和成功，因为它们不仅在概念上直观而且在数据收集和算法开发设计相对简单。

• 基于模型的感知方法

  将信号空间与包括人和环境在内的物理空间联系起来，揭示表征接收到的CSI信号与感知目标之间的数学关系的物理规律。

  在无设备无源传感场景中，一对 WiFi 收发器放置在固定位置。当物体出现在自由空间的菲涅耳区时，无线电信号可以被视为通过两条路径从发射器传播到接收器：一条直射路径（LoS 路径），另一条被物体反射（反射路径）。这两个信号结合起来在接收器侧创建一个叠加信号。当物体移动时，虽然通过 LoS 传播的信号保持不变，但物体反射的信号会随时间变化。随着反射路径长度的变化，LoS信号与反射信号的相对相位差也随之变化，当物体越过菲涅耳区的边界时，接收到的信号就会出现波峰或波谷。在真正的多路径丰富的环境中，情况类似。在这种情况下，菲涅耳区模型可以近似为：LoS信号与来自于环境静态物体的多个反射信号叠加，从运动物体反射的信号被统一简化为随着时间的推移而变化的信号。
  在数学上，菲涅耳区模型刻画了传感目标的几何位置与目标运动引起的感应 CSI 功率幅值变化之间的关系。

Towards 3D Human Pose Construction Using WiFi

• 测试不同发包率影响时，可以对收集的高频率 CSI 数据下采样到低频率，但要求发包率比较高，不然无法下采样

GoPose: 3D Human Pose Estimation Using WiFi

• 人体对于Wi-Fi信号是镜面反射的[1]，这是因为WiFi信号的波长远大于人体表面的粗糙度。相反，对于可见光，人体充当散射体，因为它的波长远小于人体表面的粗糙度。

  [1]Through-wall human pose estimation using radio signals.

WiTraj: Robust Indoor Motion Tracking with WiFi Signals

• 多普勒速度估计的准确性取决于人的方向（与侧向相比，当人的胸部或背部面向 WiFi 设备时，估计更好），并且还WiFi设备位置有关。根据研究，当人的步行方向与收发器设备的LOS之间的角度大于 30° 时，估计会更准确。
• 根据菲涅耳区模型[1]，正常速度行走产生的信号频率在10Hz到40Hz之间。因此，根据奈奎斯特采样定理，需要至少 80 Hz 的最小采样率才能完全捕获此信息。
  [1] Toward centimeter-scale human activity sensing with wi-fi signals

mPose: Environment- and subject-agnostic 3D skeleton posture reconstruction leveraging a single mmWave device

   距离分辨率是描述分辨两个或多个相邻的物体的能力。在某种程度上讲，当两个物体越接近，雷达越难将其分编为为两个分离的物体，FMCW(调频连续波) 信号的距离分辨率$d_{\text{res }}$为：
$$d_{\text{res }}=\frac{c}{2\times B}$$
   其中，$c$是光速; $B$是毫米波啁啾信号的带宽，如当带宽为4GHz是，距离分辨率为3.75cm
   毫米波信号的角度分辨率可以表示为:
$${\theta }_{\text{res }}=\frac{\lambda }{N\times d}$$

Commodity WiFi Sensing in 10 Years: Current Status, Challenges, and Opportunities(综述)

幅度和相位对物理环境中的小运动很敏感，但它们不能直接提供运动的空间信息
AoA 和 AoD 都具有相对于目标运动的空间分辨率
ToF 也有空间分辨率

Fine-Grained Hand Pose Estimation System based on Channel State Information

CSI Tool 通过修改 Ubuntu 系统中的 Intel 驱动程序和固件 iwlwifi 和 iwldvm 可以提取 CSI。在monitor模式下操作CSI Tool 提取CSI：
(1) 加载修改后的固件和驱动程序 iwldvm 和 iwlwifi，设置无线网卡的参数，如频率、带宽、工作模式；
(2) 在接收端，创建一个无限时间的socket，并监听来自iwlwifi驱动的数据；
(3) 在发送端，使用 LORCON 模块生成数据包有效载荷并将数据包发送到接收端；
(4) 在接收端，从so​​cket接收数据包，将CSI数据包和本地时间戳记录到文件中

Deep AI Enabled Ubiquitous Wireless Sensing: A Survey(综述)

无线感知系统的工作流程 Signal Pre-processing、high-level feature、sensing model formulation

Flash Effect
从墙上反射的信号比房间内物体反射的信号强得多。因此，前者可以掩盖由目标对象引起的失真，被称为闪光效果[1]，因为它类似于照相机前面的镜子反射照相机的闪光，并阻止它捕捉场景中的物体

相位去噪

• linear fitting可以消除LoS信号的绝对ToF，使得使用联合参数估计模型[2,3,4]无法提取感兴趣的反射路径。因为由绝对ToF贡献的相位在子载波间也是线性的[3]
• 因此提出了conjugate multiplication[2,3]来滤除无关噪声，同时保留不可或缺的信道响应。其基本思想是在Wi-Fi网卡的不同天线上时变随机相位偏移是相同的[5,6]，因为它们共享相同的RF振荡器。因此，我们可以选择一个天线作为参考天线$s_0$，并计算共轭乘法 $C(t,f,s)=\hat{H}(t,f,s)\ast \hat{H}\left(t,f,s_0\right)=H(t,f,s)\ast H\left(t,f,s_0\right)$，同时解决偏移噪声和多径干扰。
• 除此之外，coordinates system tranform[7,8,9,10]也可以用于降噪。一个有趣的设计是BreathJunior[11]，它在接收机上将白噪声转换为多个FMCW信号，同时保留多径反射信息，信噪比损失可以忽略不计。因此，它可以解调这些正交的FMCW啁啾来感知婴儿的微小呼吸运动，并计算出他们与智能音箱的距离，而不会对婴儿造成任何噪音伤害。

CNN的优势
CNN展示了强大的自动空间特征优化能力，这是因为它在本地连接、参数共享、输入自适应和等价表示方面的设计
CNN demonstrates the powerful capability for automatic spatial feature optimization due to its design on local connectivity, parameter sharing, input adaptation and equivalent representation

三边测量和三角测量
前者通过与多个参考点的距离测量来定位目标，后者利用参考点的AoA信息进行定位

[1] See through walls with WiFi!
[2] IndoTrack: Device-free indoor human tracking with commodity Wi-Fi.
[3] Widar2.0: Passive human tracking with a single Wi-Fi link.
[4] mD-track: Leveraging multi-dimensionality for passive indoor Wi-Fi tracking.
[5] SpotFi: Decimeter Level Localization Using WiFi.
[6] Dynamic-MUSIC: Accurate Device-free Indoor Localization
[7] Deep learning based wireless localization for indoor navigation
[8] 3D through-wall imaging with unmanned aerial vehicles using WiFi.
[9] Contactless infant monitoring using white noise.
[10] Zero-effort cross-domain gesture recognition with WiFi.
[11] Contactless infant monitoring using white noise.
更新ing……