新出現(xiàn)的Wi-Fi傳感技術為各種嵌入式和邊緣系統(tǒng)帶來了巨大的好處。在正常操作下,Wi-Fi傳感器僅使用Wi-Fi接口已經(jīng)產(chǎn)生的無線電信號,理論上就能夠使嵌入式設備探測到人的存在,估計人的運動,估計其位置,甚至感覺到手勢和微妙的動作,如呼吸和心跳。

智能家居、娛樂、安保和安全系統(tǒng)都能從這種能力中獲益。例如,汽車中的小型傳感器可以檢測到后座乘客的存在--這很快將成為新客車的一項要求。它甚至可以探測到一個孩子在毯子下呼吸,因為它不需要視線?；蛘呒依镉幸粋€便宜的無線監(jiān)控器,當一個人跌倒時,可以在房間里或透過墻壁探測到--在家庭護理的情況下,這是一個救命的人。

直到最近,只有依賴于附近Wi-Fi接入點的處理能力的無源射頻接收器才能進行這種傳感?，F(xiàn)在,它可以在每一個使用無線電的終端設備上完成。本文探索了設計師如何從理論上理解到被運送的產(chǎn)品。

它是如何運作的

Wi-Fi傳感器的優(yōu)雅之處在于它使用了已經(jīng)存在的東西:Wi-Fi設備用來通信的射頻信號。原則上,Wi-Fi接收設備可以在接收這些射頻信號時檢測到這些信號的變化,并從變化中推斷出接收器周圍地區(qū)的人的存在、運動和位置。

早期的嘗試是使用Wi-Fi接口的接收信號強度指示器(rssi),該指示器由接口定期生成,以表示平均接收信號強度。就像被動紅外運動探測器將紅外強度的變化解釋為其傳感器附近的運動一樣,這些Wi-Fi傳感器將rssi值的變化解釋為接收器附近物體的外觀或運動。

例如,一個人可以通過在接收器和接入點的發(fā)射器之間走一步來阻斷信號,或者一個路過的人可以改變到達接收器的多路徑混合。

在現(xiàn)實世界中,即使沒有人在附近,rssi也是不穩(wěn)定的。將噪音、發(fā)射器增益變化和許多其他來源的影響與人的實際外表分開是很有挑戰(zhàn)性的。

這使得研究人員轉(zhuǎn)向了更豐富、更頻繁更新和更穩(wěn)定的數(shù)據(jù)流。隨著多天線和多子載波頻率的出現(xiàn),發(fā)射機和接收機需要比RSSI更多的信息來優(yōu)化天線的使用和子載波的分配。它們的解決方案是利用802.11n標準中的通道狀態(tài)信息(CIC)。這應該可以從任何符合要求的接收器,盡管準確性可能不同。

每一次載波被激活時,接收器都會報告CSI。它基本上是一個復雜數(shù)字矩陣,每個元件的傳輸量和相位為一個傳輸和接收天線的組合。三發(fā)射天線,兩接收天線通道將是3x2陣列。接收器為每個子載波激活生成一個新矩陣。因此,總的來說,接收器為每個活動子載波維護一個矩陣。

該系統(tǒng)捕獲的信息遠遠多于RSSI,包括每個路徑和頻率的衰減和相移。原則上,所有這些數(shù)據(jù)都包含了關于發(fā)射器和接收器周圍環(huán)境的豐富信息。在實踐中,技術論文通過分析實驗中的變化,準確地推斷了實驗對象的存在、位置、動作和動作。

捕捉在場數(shù)據(jù)

任何符合要求的Wi-Fi接口都應該生成該系統(tǒng)的數(shù)據(jù)流。這部分很容易。然而,處理數(shù)據(jù)并從中作出推論是傳感器系統(tǒng)的工作。這一過程一般分為三個階段,遵循為視頻圖像處理制定的慣例:數(shù)據(jù)編制、特征提取和分類。

第一個挑戰(zhàn)是數(shù)據(jù)準備。雖然csi比rssi穩(wěn)定得多,但仍然很吵,主要是因為附近發(fā)射機的干擾。訣竅是去除噪音,而不消除有時候,在數(shù)量或相位上的微妙變化,下一階段將依賴于提取特征。但如何做到這一點取決于提取算法,最終取決于分類算法和感知到的信息。

一些準備算法可以簡單地將該數(shù)據(jù)分類到時間容器,丟棄異常值,并尋找幅度的變化。其他人可能試圖提取和放大子載波之間難以捉摸的相位關系變化。因此,數(shù)據(jù)準備可以是從一個簡單的時序濾波器到一個要求很高的統(tǒng)計算法的任何東西。

分析和推論

下一階段的管道將分析被清理的數(shù)據(jù)流以提取特征。這個過程類似于在視覺處理中的特征提取--一直到某一點。實際上,情況完全不同。例如,視覺處理可以使用簡單的像素數(shù)值計算來識別圖像中的邊緣和表面,然后推斷被邊緣包圍的表面是一個物體。

但Wi-Fi傳感器無法處理圖像。他們得到的數(shù)量流和相位數(shù)據(jù)與房間中物體的形狀沒有任何明顯的聯(lián)系。Wi-Fi傳感器必須提取并非物體圖像而是數(shù)據(jù)流異常的特征,這些特征具有持續(xù)性和相關性,足以表明環(huán)境發(fā)生了重大變化。

因此,提取算法將不僅僅是操作像素,而是執(zhí)行復雜的統(tǒng)計分析。提取階段的輸出將是一個簡化的表示器,只顯示異常,算法確定為數(shù)據(jù)的重要特征。

管道的最后階段是分類。這就是Wi-Fi傳感器試圖解釋提取階段報告的異常現(xiàn)象的地方。解釋可能是一個簡單的二進制決定:現(xiàn)在房間里有一個人嗎?那個人是站著還是坐著?它們掉下來了嗎?

或者它可能是一個更定量的評估:人在哪里?它們的速度向量是什么?或者這可能是一種幾乎定性的判斷:一個人是否做了一個可識別的手勢?他們有呼吸嗎?

決定的性質(zhì)將決定分類算法.通常,站在房間里的人與隨之而來的犯罪現(xiàn)場調(diào)查數(shù)據(jù)的變化之間沒有明顯的、可預測的聯(lián)系。因此,開發(fā)人員必須從測試用例中收集實際的csi數(shù)據(jù),然后構(gòu)建統(tǒng)計模型或參考模板,通常稱為指紋。然后,分類器可以使用這些模型或模板來最好地匹配提取器的特性和已知的情況。

另一種方法是機器學習。開發(fā)人員可以將提取的特征和這些特征的正確分類輸入到支持向量機或深學習網(wǎng)絡中,訓練模型對特征的抽象模式進行正確分類。最近的研究表明,這可能是最有力的分類方法,據(jù)報道,某些分類問題的準確性從90%到100%不等。

Wi-Fi傳感器

嵌入式Wi-Fi傳感器的前端實現(xiàn)很簡單。所需要的只是一個隨需而來的802.11n接口,以提供精確的csi數(shù)據(jù)。后端更具有挑戰(zhàn)性,因為它需要在耗電和能力之間進行權衡。

對于數(shù)據(jù)準備階段,簡單的濾波可能在一個小CPU核心的范圍內(nèi)。畢竟,只有當子載波被激活時,一個小矩陣才會出現(xiàn)。但是更復雜的統(tǒng)計算法將需要低功率的DSP核心。特征提取的統(tǒng)計技術也可能需要DSP的功率和效率。

分類是另一回事。所有報告的方法都很容易在云中實現(xiàn),但對于一個孤立的嵌入式傳感器,甚至對于一個必須限制其上游帶寬以節(jié)約能源的邊緣設備來說,這沒有什么幫助。

從算法的軌跡來看,從指紋匹配到隱藏的馬爾可夫模型,再到支持向量機和深學習網(wǎng)絡,趨勢表明未來的系統(tǒng)將越來越依賴于低功率的深學習推理加速器核心。因此,Wi-Fi芯片傳感系統(tǒng)可能包括CPU、DSP和推理加速器。

然而,隨著這個架構(gòu)變得更加明顯,我們看到了一個諷刺。Wi-Fi傳感器比其他傳感器技術的優(yōu)勢在于它優(yōu)雅的概念簡單。但是,隨著我們揭示了將犯罪現(xiàn)場調(diào)查中閃爍的變化轉(zhuǎn)化為精確的推論的真正復雜性,其他的事情就變得很清楚了。

要將成功的Wi-Fi傳感器推向市場,就需要與擁有低功率IP、設計經(jīng)驗和對算法的深入了解--目前和正在出現(xiàn)的開發(fā)商建立密切的伙伴關系。選擇開發(fā)伙伴可能是開發(fā)人員必須做出的許多決策中最重要的決定之一。