论文总结 IndoTrack: Device-Free Indoor Human Tracking with Commodity Wi-Fi
IndoTrack: Device-Free Indoor Human Tracking with Commodity Wi-Fi
ACM 2017
应用背景：
室内人员跟踪对于许多实际应用（例如安全监控，行为分析和老人护理）都是至关重要的。先前的解决方案通常需要由人类目标携带专用设备，这在诸如老人护理和陌生人闯入的情况下是不便甚至是不可行的，这就需要无设备室内人员跟踪。
已有方案：
ⅰ基于摄像头，需要密集部署并引发严重隐私问题。
ⅱ基于声音的方法，覆盖范围小且在嘈杂环境内性能下降。
由于已有方案存在的缺点，文章提出使用基于WiFi的方法，因为WiFi无处不在并不需要额外的基础架构。提出了IndoTrack这样一种基于商品WiFi的无设备室内人员跟踪系统。
基本思想：
① 由（WiFi接收机上可用的信道状态信息）CSI的相位信息估算出多普勒频移的幅度和方向；
② 由CSI获取AOA；
③ 结合多普勒频移和AOA估算出人员目标速度、位置及运动状态。
创新方法：
⑴ 多普勒-MUSIC 能从嘈杂的WiFi信道状态信息（CSI）样本中提取准确的多普勒速度信息。
⑵ 多普勒-AoA 通过时空多普勒和AoA信息的概率协建模联合估计目标速度和位置。多普勒-AOA可以确定目标的绝对轨迹。
需要解决的问题：
① 与载频（5GHz）相比，人为移动引起的多普勒频移量非常小。
② 商品WiFi接收器在载波频率和时间上与发射器不紧密同步，影响多普勒频移估计的准确性。
③ 因人员目标的当前位置未知，多普勒频移无法直接转换为人员目标速度。
④ 需要准确起点才能确定绝对轨迹。
解决方案内容：
与载频（5GHz）相比，人为移动引起的多普勒频移量非常小。但是商用WiFi设备上可用的CSI信息使我们有机会仅用几百赫兹的采样率来估计多普勒频移。
从CSI中提取多普勒频移：
多普勒频移：多普勒效应造成的发射和接收频率之差称为多普勒频移。
（多普勒效应：当发射源与接收体之间存在相对运动时，接收体接收的发射源发射信息的频率与发射源发射信息频率不相同。）
从图中可以看到，人的运动会导致反射到人身上的信号的反射路径长度发生变化，该路径长度改变的速度可以通过多普勒频移来估计。
CSI的采样率大于最大多普勒频移的两倍，可获得每个路径信号的多普勒频移（包括幅度和方向信息）。
只有一个路径信号时，我们可以根据CSI样本的相位测量值计算出多普勒频移，但实际情况是多路径的，L个路径信号将到达接收器。
用MUSIC算法解析矩阵A，则可以得到每个路径信号的多普勒频移，而使用MUSIC算法的前提是，每个CSI样本都需要多个快照以平均出随机噪声。
每个CSI样本的多个快照：
如果我们仅对一个样本使用一个快照，由于随机噪声，估计值可能会有很大的误差。为了解决此问题，我们为频域中的每个CSI样本拍摄了多个快照。从M个数据包中提取每个样本和M个样本的K个子载波上的K个CSI快照，示意图如下图所示。
Wi-Fi信号在多个子载波上传输。由于频率选择性衰落，不同的子载波具有不同的信噪比（SNR）。我们需要选择具有高SNR的子载波进行处理，以此提高估计的多普勒信息的准确性。对每个CSI拍摄多个快照的另一个好处就是易于选择具有高 SNR的子载波。
MUSIC算法：
算法基本思想：
将任意阵列输出数据的协方差矩阵进行特征分解，从而得到与信号分量相对应的信号子空间和与信号分量相正交的噪声子空间，利用这两个子空间的正交性来估计信号的参数（入射方向、极化信息和信号强度）。
具体实现步骤：
MUSIC算法实现代码及结果（MATLAB）：
运行结果：
其中出现了尖锐的峰值，对应于路径信号的多普勒速度
解决商品WiFi接收器在载波频率和时间上与发射器不紧密同步问题：
每个Wi-Fi数据包仅获得一个CSI样本，样本间隔取决于数据包何时到达。实际上，由于环境噪声和干扰造成的数据包丢失/延迟，商用Wi-Fi设备无法以固定的精确间隔发送和接收数据包。因此，相邻的CSI样本之间通常具有变化的间隔。时变随机相位偏移会使时域中的相位变化失真，从而影响多普勒速度估计。
下面提出一些步骤来消除相位偏移：
（1） 共轭乘法
WiFi卡上不同天线共享相同的RF振荡器，它们的时变随机相位偏移是相同的。因此，我们可以在两个天线的CSI之间应用共轭乘法，以消除时变随机相位偏移。
（2） 消除静态部分
①标记的是两个天线静态路径分量的乘积，可以再短时间内被视为常数，它不包含我们关心的多普勒速度信息。但是静态分量的功率可能很高，因此它包含很强的直接路径信号。为了避免静态分量干扰多普勒速度估计，我们通过从共轭乘法中减去平均值来去除静态分量。
（3） 调整每一根天线的功率
在公式中，标有②的移动路径分量的乘积具有非常小的值，我们可以忽略它。其余的用③和④标记的项是一根天线的静态路径分量和另一根天线的移动路径分量的两个乘积。这两个术语包含我们关心的多普勒速度信息。由于两个近距离天线具有相似的多径，因此这两个术语中的多普勒速度信息具有相似的值但方向相反。我们希望从第一天线的移动路径分量和第二天线的静态路径分量的乘积项（用③标记）中获得的多普勒速度。因此，我们通过减去一个值α来减少第一根天线上静态路径分量的功率，并通过增加一个值β来增加第二根天线上静态路径分量的功率。通过上述功率调整步骤，该项在乘法输出中具有更高的功率，并且可以在频谱中进行识别。（在我们的实现中，在每个估计窗口中，我们选择α，以便将第一根天线窗口内所有样本中CSI的最小幅度减小为零，并将beta设置为1000α。）
多普勒频移转换为人员目标速度：
我们已知当人类运动改变反射路径的长度时，将引入多普勒频移。如图（a）给定一对WiFi收发器和一个人类目标，发射器和接收器处于椭圆的焦点处，人类目标在椭圆上。如果人类目标沿着椭圆走，该运动不会改变反射路径的长度，我们无法检测到多普勒频移。但是如果沿椭圆的法线方向存在速度分量，该运动就将改变反射路径的长度并引起多普勒频移。
轨迹的确定：
我们发现：
（1）尽管仅使用3根天线的基于AoA的位置估计非常粗糙，但是AoA谱确实有助于在空间域内限制轨迹；
（2）尽管多普勒速度与人体速度不同，但确实包含了目标的速度信息，因此在时域上限制了轨迹；
（3）结合多普勒速度和AoA谱，可以连续不断地估计人体绝对位置和速度，从而获得准确的绝对轨迹估计。
基于到达角（AOA）的测量原理：
确定绝对起始位置，随后的人员位置和速度可以基于当前位置和速度来确定。我们应用联合空间和时间约束来获得起始位置和轨迹的概率估计。
如图所示，令
这个系统目的是连续跟踪人体运动，并在人体目标静止时（例如坐在沙发上，在床上睡觉或在监控区域外移动）自动输出分段轨迹。我们使用基于阈值的方法来确定人类目标何时停止移动。在多普勒-MUSIC方法中，如果环境中没有移动目标，则不存在移动路径信号，多普勒速度谱中的最高峰值功率将非常低。但当有人运动时，功率要大得多。下图显示了静态和动态环境中多普勒速度谱的最高峰值功率的累积分布函数（CDF）。 两条曲线之间存在明显的间隙。基于综合实验，我们选择静态环境中最高功率的第90个百分位数作为阈值pt。 对于每个谱，我们选择最高峰作为目标峰，其功率为ppeak 。如果ppeak
实验设置：
一个WiFi发射器和两个接收器，接收器是三天线的。CSI的采样率设置为200Hz。每个数据包，WiFi卡在30个子载波上提供CSI，即对于多普勒-MUSIC方法，有30个CSI快照。对于每个多普勒速度估计，采用在0.3秒的时间窗口内收集的CSI样本，在20GHz带宽的5GHz频带上进行。选用两个室内环境中进行实验来评估IndoTrack的跟踪性能，空房间和配备了家具和电器的会议室。跟踪的感应区大小为 。
下图显示了跟踪结果的两个实例：
多普勒-MUSIC的表现结果：
ⅰ速度估算结果：
相对速度（速度幅度）误差均值小至12％，速度方向误差均值为8°。
ⅱ调整天线功率（PA）和消除静态分量（RS）的好处：
如果我们既不调整天线功率也不去除静态分量，则相对速度误差均值为32％，方向误差均值为28°。 如果仅调整天线的功率，则相对速度误差均值为20％，方向误差均值为12°。如果仅除去静态分量，则相对速度误差均值为14％，方向误差均值为9°。在删除了强干扰静态分量之后，IndoTrack的性能得到了显着改善。调整两个天线的功率以确保我们可以检测到正确的多普勒速度方向信息。
ⅲ移动速度多样性的影响：
速度不会影响我们的多普勒-MUSIC方法的性能。
ⅳ移动方向多样性的影响：
多普勒MUSIC方法在所有方向上都具有非常相似的性能，因此其方向不会影响IndoTrack的性能。
寻迹结果：
ⅰ数据包丢失/延迟的影响：
在没有数据包丢失/延迟的情况下，IndoTrack的中值跟踪误差为35cm。即使丢包率为50％，IndoTrack仍会实现类似的高跟踪精度
ⅱ轨迹多样性的影响：
IndoTrack对不同形状的轨迹具有鲁棒性。
ⅲ对人类速度的影响：
在非常不同的步行速度下，IndoTrack仍可实现一致的高跟踪精度。
ⅳ环境的影响：
在两种不同的环境中进行实验。两种环境中的感应区大小相同：6m×6m。在空房间中，误差均值为33cm，而在会议室中，误差均值为37cm。 即使会议室中的对象更多且反射路径更多，IndoTrack仍可实现类似的跟踪性能。
ⅴ人类多样性的影响：
IndoTrack在不同目标之间实现了一致的精度。
日常人体轨迹记录的可行性研究
如图12（a）所示，我们模拟了一个典型的工作室家具，该家具在会议室（图8（c））中放置了家具，用于现场实验。图中的灰色小圆圈代表人类目标停止执行某些与位置相关的活动的位置。我们要求志愿者根据脚本进行一些日常活动（例如，做饭，洗脸和饮食等），而对轨迹没有任何限制。图12显示了估计的轨迹。从实验中，我们可以看到IndoTrack可以成功跟踪轨迹，并获取任意随机轨迹的信息，例如起点和终点。
此外，从记录的轨迹中，我们可以通过就地活动提取位置。如图12（b）所示，当目标进行现场活动时，他的位置会在很小的范围内变化。在现场活动中，人的速度也表现出随机的方向和较小的值。此外，IndoTrack能够区分两个附近的就地活动。如图12（c）所示，目标清洗洗碗池中的餐具，然后在烹饪台上进行烹饪。 尽管水槽和烹饪台之间的距离小于1m，但是当目标从水槽移动到烹饪台时，估计的轨迹仍然可以反映出来。除了位置语义信息外，IndoTrack还可以提供目标日常活动的速度语义信息。图13（b）显示了目标的估计速度值，该值对应于图13（a）中的轨迹。IndoTrack不仅提供目标行走时的速度语义信息，而且还提供就地活动的速度信息，这些信息可以反映活动的类型和活动程度。总之，可以通过提取高级语义将IndoTrack的输出用于将来的物理/行为分析。
