无线感知会议系列【6】【Walking Direction Estimation Using Wireless Signals】

最新推荐文章于 2024-10-04 23:33:56 发布

明朝百晓生

最新推荐文章于 2024-10-04 23:33:56 发布

阅读量559

点赞数 9

文章标签： 5G

4AM_明朝百晓生

本文链接：https://blog.csdn.net/chengxf2/article/details/142550013

版权

前言：

参考2016 Ubicomp《WiDir: Walking Direction Estimation Using Wireless Signals》

原理：

1 不同的子载波对应两个共心的椭圆，反射物体会依次穿越，根据穿越的方向

得到向内,向外(Frenel Direction)

2 两个子载波固定下后，向外走反射路径变大,相位差变大,向内走，相位差减少。

3 采样分帧评估相位差,如果窗口大小太小,无法覆盖整个时段，则无法可靠估计延迟估计的平均值

4 如果窗户尺寸太大，人们可能会以不同的速度行走在此窗口期间，也会导致不精确的估计

根据公式4，我理解也可以通过一段窗口周期内，两个相位信息相减，观测其切线的方向，如果大于0，说明向外运动，如果小于0,说明向内运动

channel frequency response (CFR).

摘要
简介
背景技术
理论部分
Fresnel Direction Estimation
EXPERIMENTAL EVALUATION
讨论部分

一摘要：

论文中推出了 WiDir,第一个利用 WiFi 的系统无线信号来估计人类的行走方向, 一种无设备的方式.人体运动改变接收端 WiFi 信道状态信息（CSI)多径分布.

WiDir 基于菲涅耳区模型的WiFi多个子载波相变变化, 推断步行方向.并在家庭和办公环境进行了实验.实验结果表明 WiDir 可以估计人类行走方向误差小于10度

二简介

论文的研究方向是运动方向,以及讨论了为什么要研究该技术

2.1 应用场景以及相关方案

现有的方案都是通过可穿戴设备，或摄像头等有隐私侵犯问题.

目前CSI 主要感知的对象如下：

位置跟踪 ,运动检测 ,嘴唇语言 ,手势识别 ,生命体征监测，呼吸估计,跌倒检测,活动识别。原理人的行为模式跟CSI信号存在映射关系：

研究运动方向的意义： 通过位置和方向,可以应用于虚拟现实,紧急疏散,老人跟踪等场景

单个用户的位置和移动方向对于许多服务都很重要.从监控日常活动、预测用户倾向，电器的智能控制[29]。监测移动方向，实时还有助于提高性能定位和跟踪应用程序相结合带有距离或速度信息。。

该论文提出了 WiDir， WiDir是第一个使用 WiFi CSI 信息预测运动方向的。

首先介绍一下室内环境中的Fresnel zone model，然后将接收端反射引起的相位变化关联到Frenel Zone 位置。然后通过相位分析，可以得到下面结论：

1) 如果行走方向是向内或向外菲涅耳区,我们称之为菲涅尔方向Fresnel direction

2）在这个方向步行距离（Fresnel direction）

最后,我们提出了一个时空模型来估计行走方向（temporal-spatial model）然而,部署到实际系统中,带来了一些挑战:

一、如何利用所有可用的子载波信息来推导出运动方向（Fresnel direction）

二，步行的人的行为跟不移动的光滑金属物体不同，这个是否代表不同物体反射信号大小是有，导致接收器设备上的非常大的噪声信号。

我们的解决方案在于事实两个子载波之间的相位差导致了时间差。通过测量两个子载波之间的互相关性（cross-correlation），我们能够从中提取菲涅耳方向信息。

交叉相关（Cross-Correlation）算法是一种用来比较两个信号相似度的方法，通过它可以找到两个信号之间的最佳对齐位置。这个算法特别适用于信号有些许延迟但形状大致相同的情况。我们可以用一个简单的类比来理解这个过程

交叉相关算法通过以下步骤找到这种对齐方式：

1 计算重叠程度：将一条绳子固定，另一条绳子逐渐从头到尾移动，每次移动都计算它们重叠的程度（即相似度）。这种计算可以理解为比较每个位置上两个信号的数值乘积并求和。

2 找到最大重叠位置：记录每次移动时的重叠程度，并找到重叠程度最大的那个位置。这就意味着在这个位置，两条绳子（信号）最为对齐。

3 对齐信号：根据找到的最佳对齐位置，调整信号，使它们对齐。
# -*- coding: utf-8 -*-
"""
Created on Mon Sep 30 11:34:31 2024

@author: chengxf2
"""

import numpy as np

mode0 ='same'
mode1 ='valid'
mode2 = 'full'
#信号
a = np.array([1,2,3,4,5])
b = np.array([0,1,2,3,4])
#互相关系数
correlation = np.correlate(a, b,mode2)
#print(np.correlate(a, v,mode0))
#print(np.correlate(a, v,mode1))
print("\n 互相关系数 ",correlation)
N = len(b)
pos = np.argmax(correlation)

shift = pos-(N-1)
print("\n pos ",pos, "\t shift ",shift)

if shift>0 :
    aligned = np.pad(b,(shift,0),mode= 'constant')[:len(a)]
else:
    aligned = b[-shift:][:len(b)]

print(aligned)
原文链接：https://blog.csdn.net/a15236617777/article/details/140081228

然而将这一高级思想映射到实际系统中，这带来了几个挑战。

第一：如何使用来自所有可用子载波CSI信息获取方向信息

第二：行走的人的行为非常不同从一个移动的光滑金属物体，导致非常
接收器设备处的噪声信号。我们的解决方案在于两个子载波之间的相位差导致延迟
时间。通过测量两个子载波之间的互相关，我们能够从中提取菲涅耳方向

第三：通过单一的菲涅尔区，我们即无法检测到所有方向角度，也不能推导出笛卡尔坐标系中的行走方向坐标系。我们通过战略性地解决这个问题放置正交的WiFi 设备以形成交错的菲涅耳区域并结合导出的运动方向和距离解决上述问题的信息。

实验表明WiDir平均绝对误差为 10.54 度，中位数为空房间中的绝对误差为 8.62 度。正常情况下办公室 WiDir 的平均绝对误差为 15.51度，中值绝对误差为 11.49 度。实验中受试者走的之字形或者圆形的可以实时的预测到。

2.3 创新点

This paper makes the following contributions:

1 定义Fresnel 方向以及如何预测它

通过两个不同子载波的相位差携，推导出时间延迟，估计出 Fresnel 方向。基于Fresnel Zone model, 以及 multi-frequnecy phase 分析。Fresnel Zone model 以及 multi-frequncey phase anlysis

2 我们提出了一个2D 菲涅尔区模型并验证了它.

可以用来在笛卡尔坐标系中有效地估计菲涅耳方向和距离，以及推导出行走方向。

构建正交设备

3 实验结果

我们使用商用 WiFi 设备实现 WiDir 系统并在不同形状和大小的房间中进行评估。我们的实验表明WiDir可以估计行走方向实时角度，对环境变化具有鲁棒性，中位误差小于10度

三背景技术

3.1 Line-of sight 距离

Line-of-Sight（视距）在通信领域中，通常指的是从一个位置到另一个位置的直线路径，且这两个位置之间不存在遮挡物的路径。在无线通信中，这特指发射天线和接收天线之间能直接“看见”对方的距离，即电波或光波能直接从发射点传播到接收点，而无需通过反射、绕射等其他方式。

具体来说，Line-of-Sight（LOS）传播的距离一般与在地面上人的视线能及的距离相仿，通常不超过50公里，主要用于超短波及微波通信。这种传播方式下，信号的衰减非常小，传输质量高，能够达到较远的距离。

此外，根据障碍物对信号传播的影响程度，视距传输还可以进一步细分为完全传输（即两个天线之间不存在任何影响信号传播的障碍物，信号得以完全传输）、近视距无线传输（即两个天线之间存在能部分影响信号传播的障碍物，如高大树木阻挡造成的信号削减）和非视距无线传输（即两个天线之间的距离被障碍物完全遮挡）。

综上所述，Line-of-Sight（视距）在无线通信中指的是发射天线和接收天线之间能直接“看见”对方的距离，这种传播方式下信号传输质量高，但受地形、建筑物等障碍物影响较大。

3.2 Phase Change of Radio Wave Propagation and Reflection

接收信号主要包括三部分信号组成： LOS , NLOS(反射，衍射），这些信号导致了接收处的信号发生了变化。

假设电磁波波长为 $\lambda$ 传播距离为d，则相位变化为 $\frac{2\pi d}{\lambda}$

接收处的信号为 $\sum a_ie^{-j2\pi d_i/\lambda}$ ( $a_i$ 为每个路径上的衰减系数）

3.2 Fresnel 模型

原理：
菲涅耳确定，从距发射点d的接收点看，传输能量等效包含在一个形如椭球体的自由空间内。椭球体外反射到接收端的能量会加强或减弱从体内到达接收端的能量。
若从椭球体外能量的传输距离比收发两点间的直线距离长半波长的奇数倍，接收信号就加强；
若两路程差为波长的整数倍，则其作用就抵消。

3.3 WiFi CSI

CSI（Channel State Information，信道状态信息）是衡量信道情况的重要参数，主要用于进行信道质量测量和状态上报。H(f,t)代表子载波频率f的信道状态,由通道频率响应 (CFR channel frequency response) 描述。
定义 $Y(f,t)=H(f,t)X(f,t)$
其中 $X(f,t)$ 和 $Y( f ; t)$ 是在频域中发送和接收的信号。

802.11n规范中定义了子载波数量取决于带宽配置:

20 MHz 信道有56 个 OFDM 子载波（索引从 -28 到 -1 和 1 到 28）
载波间隔为 0.3125 MHz.总占用带宽是17.8MHz.每个子载波的频率可以是
表示为 $f_{carrier}$ +0.3125k，其中 fCarrier 是频率中心载波，k 是子载波索引。

CSI以Ng 个子载波一组只报告一个值. 802.11n-2009 规范中Ng范围值为 1、2 和 4，并且
Ng 的选择权留给制造商。例如，Intel 5300无线网卡报告共30个CSI值。配置 20MHz (Ng = 2) 和 40MHz (Ng = 4) 这意味着每个 CSI 子载波间隔2*0.3125MHz（预计子载波索引 -2,-1 和 27,28）
和 4 个 0.3125MHz 分别。 40MHz 信道可以有多达 114 个 OFDM 子载波。每个子载波也间隔为0.3125MHz

3.4 What We Learned for This Work

     让我们考虑一个场景,有一对 TX-RX 和目标空间中的一个反射器，如图2所示。我们假设它们之间有两条路径，即 d0 为直接路径和 d1 为反射路径。在真实的环境中，d0 是直接路径加上除 d1 之外的所有其他多路径由移动反射信号的叠加。综合起来，我们学习以下内容对我们的工作有用：

   1  反射物体在椭圆中行走，因为反射路径长度不变，所以不管在哪里，对接受处而言都是恒定的。
      椭圆是平面内到两个定点F1、F2的距离之和等于常数（大于|F1F2|）的动点P的轨迹，这两个定点称为椭圆的‌焦点，两焦点间的距离称为椭圆的‌焦距


   2   当反射器物体移动处椭圆时,来自 d0 的信号和 d1 的信号相互干涉
        当d1  和 d0 相差半个波长的奇数倍时候，相位相同，信号增强，对应波峰
        当d1  和 d0 相差半个波长的偶数倍时候，相位相反, 信号相消，对应波谷

四理论部分

4.1 FRESNEL DIRECTION

本节我们首先分析Fresnel zone model 来研究当反射物体出现在Fresnel zone 的不同位置，接收端的信号强度如何变化。然后我们基于多频相位分析介绍如何估计步行方向向内或向外菲涅耳区（区域内方向）。我们定义这个 Fresnel DIRECTION 作为行走方向的估计（在局部笛卡尔坐标中）。

二维笛卡尔坐标

在二维平面上，一个点可以通过两个数值来确定，这两个数值分别是该点到x轴和y轴的距离，通常表示为(x, y)。x值称为横坐标，y值称为纵坐标。原点（0,0）是x轴和y轴的交点。

x轴：水平轴，通常向右为正方向。
y轴：垂直轴，通常向上为正方向。

通过这两个坐标轴，可以定义一个平面上的任意点。

4. 2 Phase Analysis in Fresnel Zone

前提：

Tx Rx 固定,只要反射物体不阻挡直射路径,信号将在接收处叠加。

首先定义了 Fresnel phase $\rho$

其中：

$\varphi$ 是由于额外的相位偏差，衍射和反射带来的（反射带来的相位偏差一般为 $\pi$ ）

我们用上图Frenel 等相位图来描述，注意这和Frenel 区不一样。

如果 $\rho$ 为 $2k\pi$ 对应CFR 信号峰值.

如果为 $(2k+1)\pi$ 则为波谷.

假设

直射路径的 CFR power 为 a

反射路径的CFR power 为b

则根据余弦定理，叠加后的功率为

上面只能知道反射体在Frenel 等相位线上移动了，但是不知道移动向内还是向外

3.3 Multi-frequency Phase Analysis

核心：通过一段时间的子载波之间的相位差,推理处运动的方向（向内，向外），之前很多的研究只是针对某一个时刻t

根据上面的讨论，我们了解了在移动方向上使用单个子载波的菲涅耳区估计的局限。如果我们有多个（至少两个）同心菲涅耳区形状相似但大小略有不同，我们可以想象，当反射物体移动时它会按顺序穿过一个和另一个，很容易推断出步行是否方向是向内或向外菲涅耳区。

具体来说，我们将Fresnel direction定义为向外为正，反方向为负。我们请注意，每个子载波将创建自己的菲涅耳区，形状相似但大小不同无关。因此，我们建议引入多频菲涅尔区模型我们相信这是可行的，因为：
第一，对于 WiFi 802.11n具有不同频率的多个子载波。
第二，假设有两个波长 $\lambda_1<\lambda_2$ 的子载波，从根据方程1，我们观察到当两个子载波具有相同菲涅尔相位 $\varphi$ ，波长较短的子载波反射路径长度较短，因此椭球体较小。在换句话说，正菲涅耳方向意味着两者具有相同 $\varphi$ 的菲涅耳区，反射器穿过首先是 $\lambda_1$ 的区域。

概括：当反射的路径长度 $d_1$ 是固定的.

对于所有 WiFi 子载波,具有波长越短, $\rho$ 越大(公式2）。在图3中，对于两个子载波波长 $\lambda_1>\lambda_2$ ，当物体向Fresnel zones内运动时候，反射路径 $d_1$ 变短。

如图3

当人向菲涅耳区内走时 ,反射路径 d1 的长度变短，菲涅耳相位顺时针旋转。两个波形子载波由于各子载波的差异而产生时间延迟 $\Delta t$ （初始菲涅尔相位 $\rho$ ）。因此，当反射物移动时并且具有负菲涅耳方向，我们将观察到所有波形均呈正弦曲线瞬时 CFR 功率波形子载波随着优先级关系而波动。

首先发生在波长较长的子载波中（频率较低）,然后是较短的.如图 4 所示。通过测量来自不同方向的两个波形的子载波相位差，我们可以获得菲涅耳方向。由于不同子载波的Fresnel zone是同心的. 假设移动相同的距离（ $d_1-d_0$ ) 数学上,对于任意两个波长为 $\lambda_1$ 的子载波和 $\lambda_2$ ，我们有相位差：

如图4所示：

$\Delta f$ 是不同子载波的相位差

c: 是电磁波的传播频率

值得注意的是，从方程式4中可以看出额外的相位差 $\rho$ 被取消。因此，相位差
$\Delta \rho$ 仅与反射路径长度d1和频率有关,两个子载波的差值 $\Delta f$ 。

这有两个含义：
(1) 一旦选择了两个子载波，较长反射这条路径将导致更大的相位差

(2) $\Delta \rho$ 仅与两个频率的差异有关，与载波频率本身。因此，一旦反射器的位置固定
两个子载波的频率差越大，我们的相位差 $\Delta \rho$ 越大。

此信息提供我们可以灵活地为我们的业务选择最佳的子载波对使用。

然而，随着反射路径长度 $d_1$ 的增加， $\Delta \rho$ 将达到 $\pi$ ，此时一个子载波波形中的谷值将
与他人的波峰对齐。如图5（d）所示。换句话说，即使我们可以观察到相位延迟
在两个子载波的波形之间，我们无法分辨在菲涅耳方向上，谁先到。

因此，我们需要选择一个最佳的相位差范围来指导我们副载波的选择-微小的差异将产生两个
波形太接近而无法微分，差异很大将导致我们在图5中显示的歧义。

提醒一下多路径导致失真和随机相移波形。因此，我们根据经验选择 $\frac{\pi}{2}$ 作为最大值
允许的相位延迟来指导我们对子载波的选择。

根据方程4，我们发现一旦相位延迟 $\Delta \rho$ 为固定后，我们需要根据 $d_0$ 和 $d_1$ 调整 $\bigtriangleup f$ ，即目标区域。例如根据

，
如果我们有一个大小为6x6米的房间Tx和Rx（d0）为4米，则为尽可能长的距离
一次反射路径 $d_1$ 的长度小于15米，当被限制 $\Delta \rho$ 在 $\frac{\pi}{2}$ 以内时，最大允许频率
差值为6.8MHz。

如果配置了WiFi卡使用40MHz带宽，然后从相邻OFDM中获取CSI值
Intel 5300无线中的子载波带宽为1.25MHzNIC符合802.11n-2009规范[8]。因此，
我们选择两个CSI子载波，每5个索引间隔一次,即1和6,2和7等。

3.4 Phase Delay Estimation

两个CSI波形之间的相位延迟估计可以是复杂。在信号处理中，两个波形的相位延迟
可以通过分析方法获得。分析通过对CSI波形进行Hilbert变换，可以得到信号
相位信息与瞬时频率的函数关系时间[21]。从分析信号中精确提取相位
要求信号是单声道分量，这意味着它包含在任何给定时间只有一个频率分量。子。由于扰动
由人移动引起的CSI波形在多个频率分量中[36]，应用起来并不容易直接提取相位延迟的分析方法。

由于人体躯干有很多表面积比手臂和腿等其他部位大反射更多的信号，并主导CSI的波动
行走时波形。通过测量两个时间延迟子载波波形、人体运动方向可以可以推断，这种延迟的符号（正或负）是我们想要的方向信息。因此，我们估计时间
用于方向估计的两个CSI波形之间的延迟.

互相关(cross-correlation)中的一些概念及其实现

一般通过cross-covariance,cross-correlation 两路信号的相关性。实际上, 通过 cross-covariance to
calculate delay.为了能够使用互相关来找到时间延迟，两个信号必须相互关联，也就是说，它们必须看起来与某些信号相似程度。当一个人在房间里行走时，他/她会在短时间窗口内（比如0.1秒）不改变速度。因此，我们可以将这一时期的速度视为常数。主要的设计问题是窗户尺寸的选择：如果窗口大小太小，无法覆盖整个时段，因此无法可靠地估计延迟估计的平均值；如果
窗户尺寸太大，人们可能会以不同的速度行走因此也导致不精确的估计。正常人在室内以0.3至2米/秒的速度行走环境。在菲涅耳区，峰间距离比 $\lambda/2$ 大一点，在5GHz的WiFi中约为3cm
频带。因此，CSI功率大致波动（0.3，2） /每秒0.03次，对应于10至70MHz。0.1s第二窗口包含1到7个周期。因此，我们选择0.1秒作为窗口大小。

互相关是一种在噪声背景下检测已知信号的方法。

峰值就是互相关最强的地方，如两个信号相同，则峰值代表重叠位置。

峰值与峰值的距离就是时间延迟，不同子载波波形是一样的，但是有延迟时间。

线性互相关中，还有一些概念值得注意：
一是补零。由线性相关的计算式不难发现，为了计算出个完整的相关系数序列（包含那些“无效数据”在内的所有结果），需要用到一些“不存在”的点。这就需要人为地对这些值进行补充，在线性相关的计算中，对这些超出原始数据储存的区域取值为零。

二是末端效应。由图1可以发现，一头一尾的个互相关数据并没有完全“嵌入”两个原始数组的全部信息，它们或多或少地受到了人为补零的影响。因此一般认为这些数据是不可用的。

三是计算模式的选择。这个问题其实是由问题二衍生而来的，就Python语言中的函数而言，至少有两个可以直接计算线性相关：
numpy.correlate(a, v, mode)
# -*- coding: utf-8 -*-
"""
Created on Mon Sep 30 11:34:31 2024

@author: chengxf2
"""

import numpy as np

mode0 ='same'
mode1 ='valid'
mode2 = 'full'
#信号
a = [1,2,3]
#滤波器
v = [1,2]

print(np.correlate(a, v,mode0))
print(np.correlate(a, v,mode1))
print(np.correlate(a, v,mode2))

五 Fresnel Direction Estimation-1D

     目前为止我们知道 估计子载波之间的时间延迟，0.1 秒窗口是一个合适的参数，以及
从而确定行走方向。为了估计步行（子）路径的方向，我们需要更多的数据和计算统计，使结果更加鲁棒。事实上，走路的时候，人们不会每秒钟都改变方向。所以，我们使用 0.1 秒的滑动窗口和 50% 的重叠（滑动窗口分帧技术） 来测量每1秒时间窗口内延迟一次。我们聚合每 1 秒数据的正负符号为我们菲涅尔方向的统计指标。
    例如，如果一个人有正菲涅耳方向，那么我们就有正的符号，反之亦然（前面LSTM 例子有）。为了验证和量化移动方向和估计时间延迟之间的关系：
Tx 和 Rx 为相距3米放置如图7所示，选择了四条步行路线实验：
路径1差不多平行于椭圆的切线，
路径 4 垂直于切线线，
并且路径 2 和 3 的方向是均匀间隔的
路径 1 和 4 之间。所有路径的长度都相同 3米。这里我们把相对角度称为行走之间的角度
路径和 Tx-Rx 的 LoS，则路径 1 的角度为 0 且路径4 的角度为 90。

     延迟估计的分布路径1和路径3的路径如图6所示。我们可以看到，当一个人走在路径3时，很容易
推断步行方向 - 大多数延迟值为正值，分布在零点的右侧。
    对于路径 1，延迟值近似均匀分布大约为零。通过观察延迟分布从这个例子中，我们确信我们的菲涅耳方向当相对行走角度较大时，估计有效超过30度。否则，我们无法进行菲涅尔方向基于延迟直方图的估计。
     事实上，我们需要凭经验找到一个阈值来确定这个角度。简而言之，从上面的实证研究中，我们了解到只有一个菲涅尔区，我们无法估计菲涅尔所有角度的方向。另外，菲涅耳方向为不等于现实世界中的方向（局部笛卡尔协调）。如图 7 所示，路径 3 和 4 都给出向外传递信息，而它们的移动角度完全不同不同的。很自然地引入另一个菲涅耳区形成二维菲涅耳区来解决这个问题。

六 Direction and Distance Estimation in 2D Fresnel Zone

1D菲涅耳区在估计方面有很大的局限性步行方向。直观地说，假设我们有一个二维菲涅耳如图8所示。我们可以清楚地看到，它立即解决了我们无法估计菲涅耳的问题. 当反射器在一个方向上具有较小的相对角度时菲涅耳区，因为这意味着它是一个较大的相对角度另一个正交菲涅耳区。通过这种方式，我们可以估算目标区域中所有移动角度的移动方向。

为了形成这个二维菲涅耳区，我们只需要再带一个WiFi设备。设Tx为坐标原点，Rx1为
x轴的方向和Rx2是y轴的方向，我们可以看到这个二维菲涅耳区创建了一个近似的局部笛卡尔坐标
坐标系。假设一个人正在从a移动到b，我们的目标是估计 $\underset{ab}{\rightarrow}$ 的角度。

到目前为止，我们可以估计 $\underset{ab}{\rightarrow}$ $\underset{ab}{\rightarrow}$ 的x和y分量的符号。下一步是计算其距离

菲涅耳区的距离可以表示为波动期。计数方法包括
时域方法（例如peaks counting, zero-cross counting,etc）和频域方法（FFT、rootMUSIC等），等等。

我们发现峰值计数和零交叉计数对不完美的波形非常敏感，因此容易出错。所以
我们选择频域方法。

确保实时性在处理方面，我们更喜欢FFT而不是rootMUSIC。CSI波流
被分割成窗口，并逐一计算周期。精度如表1所示。（一般常用STFT 算法）

起点为0.5距离LoS的垂直平分线米，Tx Rx为相隔4米。我们通过以下方式衡量地面真相
使用激光测距仪，波动的参考计数为通过测量起始位置在菲涅耳区计算点和终点。

我们可以看到，当相对方向角大于30度时，误差小于5%，
而当角度为15度时，跳到18%以上。只是与前面的方向估计观察相同
分段，距离计数估计在小范围内不可靠角。（后面有一篇Mobius 变换的论文，提高该精度）

我们从观察开始。在一个房间里，有两个接收器关于y=x线近似对称，因此我们只研究
3条路径，如图8所示。来自上一节我们已经知道，在某些情况下，菲涅耳方向可能是不可靠的
案件。当一个人开始走路时，他/她可能会穿过在2D菲涅耳区的两个维度上有多个椭圆。By
取波动估计计数的平均值从所有子载波中，我们可以推断出每个子载波的行走距离
尺寸。例如，对于相对角度为60°的路径在图8中，我们估计该人越过7.6度
y坐标中的椭圆和x坐标中的4.5个椭圆，以及我们有弧坦（7:6=4:5）=59:37度。

在这种情况下方向可以通过结合菲涅耳方向来估计
以及距离估计。同时，对于相对角度90度，我们只有一个维度的可靠信息。
因为波动计数与距离不对应。

好吧，在另一个方向上，我们忽略了距离，专注于延迟分布。实证研究表明，与
LoS，越有可能积累一个较小的绝对值整个路径上的延迟迹象。同时，垂直
侧面累积了较大的延迟符号值。结合这两个信息，我们可以给出一个近似值
通过将延迟分布的累积视为距离来求解。它并不完美，但适用于大多数小角度

对于80度这样的角度，求和的方法延迟的迹象仍然很有可能给予权利
菲涅耳方向

6.2 Local Direction in Cartesian Coordinate System

七实验部分

系统信息流
图9显示了WiDir的信息流，其中包括三个模块。WiDir的每个模块代表一个处理
阶段，即：

（1）数据采集和预处理，
（2）特征提取和

（3）方向估计。
在数据采集和预处理阶段，收集CSI数据以实时流的形式在Rx1和Rx2处
发送到计算机进行处理。首先，两个CSI波流必须根据广播的同步前导码进行对齐
每隔几分钟。然后应用过滤技术消除噪声信号。

在第二阶段，来自Rx1和Rx2的两个CSI波流Rx2是单独处理的。这些数据被切成小块
窗口，并在处理过程中保持滑动。功能到提取的包括延迟信息和波动计数
在每个窗口内。因为这两个特征提取过程需要不同的窗口大小，CSI数据被拆分为
两股蒸汽。计算两个子载波窗口之间的延迟菲涅耳方向由下式估计：
分析延迟的分布。计算距离估计通过计算频率的波动次数
域。该阶段的输出是距离信息和每对Tx-Rx随时间的延迟分布单分量。

最后一个阶段是方向估计。该算法有两个方面这取决于延迟分布。如果两对Rx都有
可靠的菲涅耳方向，则通过以下公式推断方向结合该信息和距离信息。虽然
如果两个Rx中的一个具有不可靠的菲涅耳方向，则方向是通过经验方法估计的.

7.1 Data Denoising

在商用WiFi设备上收集的CSI数据非常嘈杂。在传统的信号互相关过程中，两个信号
可以直接比较延迟而无需去噪，前提是这两个信号来自完全相同的副本。
WiDir，互相关用于测量信号相似性在两个OFDM子载波之间。这个过程是噪音
敏感，因此去噪是一个不平凡的步骤。通过使用互相关为了比较子载波，我们需要来自所有子载波的数据子载波，并在滤波后保持其相位不变在这种情况下，基于降维的方法（如PCA）
并且基于FIR的滤波解决方案在这里是不合适的。在同时，人们走路引起的波动模式
可能包含低频和高频分量同时，IIR低通滤波器不能有效地平滑
输出信号，同时保持波形的形状。为了解决这个问题，我们使用Savitzky Golay滤波器进行平滑
信号。Savitzky Golay滤波器（也称为数字平滑）多项式滤波器或最小二乘平滑滤波器）适合连续
低次多项式数据点子集线性最小二乘法[30]。它可以平滑信号如图10所示，不会对其造成太大扭曲。请注意，它是保持形状并保存相位信息非常重要在信号

七讨论部分

局限与讨论
1 Multi-path Influence
众所周知，多路径是基于RF的主要误差源以人为中心的传感应用，手势识别。WiDir也不例外。主要原因
a）人类作为反射器会引起额外的多路径比我们在模型中假设的主要模型。

b）当一个人受试者在房间里走，他会挡住环境静态路径，从而扭曲菲涅耳区形状。尤其，
我们观察到角度误差可能高达40度当金属在附近时。我们有可能解决这个问题只要金属只在路径的一小部分附近基于逆向分析。

2 Grid Approximation
我们使用两个菲涅耳的相交等相位轮廓区域以近似网格进行距离估计
导致三个潜在问题。

首先，轮廓没有斜率与直线相同。需要执行进行直角处理的数学变换。
其次，在菲涅耳区，相邻等相位轮廓之间的间距将随着相位的增加而减小，这
意味着网格中的方块大小不同。
第三，大多数房间不是方形的，因此它们对应菲涅耳区具有不同的形状和大小。所有这些
影响距离估计误差的因素目标区域的特定区域。然而，如果可能的话商用WiFi信号的菲涅耳相位估计设备，我们可以通过计算来估计人类的位置从相位延迟到WiFi设备对的距离
在我们今后的工作中解决这个问题。

3 Detection Range and Device Placement

无线电信号在传播过程中会衰减。当人们走路时相对于菲涅耳区的中心，它们会导致
对接收信号强度的影响较小。因此如果只有一对WiFi设备，则检测范围有限
使用。为了扩大检测区域（希望是全覆盖），特别是对于会议室这样的大空间
对于走廊，通过部署来解决这个问题是很自然的更多的WiFi设备，因为它们可以形成更多的菲涅耳区。设计一种算法来组合多个（dis）将局部菲涅耳区合并为全局菲涅耳区，以促进
步行方向估计。与此同时，设备数量以引入更多干扰为代价而增加。
因此，尽量减少WiFi的数量非常重要在仍然实现期望的检测精度的同时，
这为我们的设备布局带来了最佳问题未来的工作。

4 多目标跟踪

successive cancellation 技术，后面也有一篇类似的论文通过罗西尼卵形理论

，摆放设备位置

WiDir专注于个人感应，我们的解决方案适用于一个人在典型的室内环境中。一个自然的问题
将是：WiDir可以以及如何扩展到更多的人？什么时候？目标区域内有多人共存，他们将导致
接收器侧的附加效应，可以按顺序排列根据连续取消的基本原理估算，如在[44,2]中研究了其他无设备传感应用。例如，人们可以改变接收到的信号不同Tx-Rx对的强度[44]。[2]不同人远近不同，距离近的信号强度和距离远人的信号强度变化不同。WiDir可以利用多个Tx-Rx对，并采用类似的方法为多人场景。但是，连续取消只有当人们距离有差距，基于技术的方法才能很好地发挥作用
如[44]所示。此外，CSI数据从COTSWiFi NIC收集的数据与丰富的硬件混合在一起
功率强度[36]和相位[43]的失真。它是完全解决这个问题仍然非常具有挑战性