CSI小结

CSI小结

1.CSI简介

随着WiFi的发展，IEEE802.1n的各类通信协议以及其之后的多输入多输出（MIMO）和正交频分复用（OFDM）等技术，是的WiFi收发设备之间的信道特征可以再物理层进行估计，并且以CSI的形式存储下来。信号模型：
Y=HX+N (1-1)
式中，Y是接收信号，X是发射信号，H是信道矩阵，N是噪声向量。
WiFi协议中用于信道估计的方法有多种，其中比较常用的有频域形式，或者称为信道频率响应（CFR），为了描述多径效应，可以用信道冲击响应（CIR）表示信号，在线性时不变的情况下，信道冲击响应可以表示为：
(1-2)
式中分别表示振幅、相位、时延，N为多径数量，表示脉冲函数。在带宽无限的条件下，CIR和CFR互为傅里叶变换。
现有的WiFi网卡如Inter 5300等，应用了MIMO和OFDM技术，用户可以获取底层的数据，对于典型的33天线结构，用户可以获得33*30如下的CSI信息：
(1-3)
其中表示信道状态信息，可以拆解为幅值和相位。
与CSI相比，RSSI有很多缺陷，采用RSS获取指纹虽然方便，但无法进一步提高定位的精度。一方面，是由于RSS在室内复杂的环境波动较为严重。另一方面，RSS对于每一个AP只是粗略的提供一个信号强度值。相比而言，CSI有很多优点：1.对于每一个接收数据包，CSI可以得到30个信道频率响应，即CSI是一种细粒度的信号。2.CSI对于环境敏感，作为指纹来分辨位置更加有效。3.对于固定位置，CSI分组接收数据包比RSS更加稳定。

2 CSI定位方法

CSI各类定位方法，包括指纹匹配、测角、测距等，以下分析了其基本原理，指出了它的优缺点。
2.1 CSI指纹匹配定位方法
室内空间大小有限，指纹匹配技术常用于室内定位领域，包括射频信号强度和地磁等在内的物理量均可作为指纹信息。CSI指纹匹配系统通常需要至少一个发射端(基站)和一个接收端，接收端每收到一个数据包，即可输出一个对应基站与接收端之间信道特性的CSI矩阵。
指纹法通常包含离线构建指纹库和在线匹配两个阶段，指纹库构建过程又包括原始数据采集和标定。即使考虑1个基站的指纹匹配系统，指纹库构建时，根据数据包间隔的设置，每个指纹点短时间内仍可得到多个CSI矩阵。与其他指纹库构建方法类似，一次采集多组数据后，需要进行标定以得到最能反映其特征的一条记录，最终存入指纹库。
由于可以以较高的频率获取CSI数据，在线匹配时，根据性能需求，可直接利用单个数据包得到的CSI值与指纹库进行匹配，也可采集一定时间后，利用处理后的CSI数据进行匹配。
2.2 CSI测角方法
随着 MIMO 等技术的应用,商用 Wi-Fi设备上的天线数量越来越多｡受阵列测角技术 的启发,在Wi-Fi设备上结合 CSI测量值进行到达角(angle of arrival,AoA)估计,也受到研究人员的关注｡当得到相对多个位置已知基站的AoA时,通过角度交会,同样可以估计出终端的位置｡
2.3 CSI测距方法
当定位目标与已知定位源之间的距离可测量时,通过多边交会等方法可进一步计算得到位置,利用CSI值也可实现距离测量｡

3 各种CSI指纹匹配定位方法的发展

Xiao等[1]于2012年实现的FIFS系统,首次将CSI数据用于指纹匹配定位｡FIFS利用了一次可获取多个CSI测量值及其随时间变化更为稳定等特点,定位精度优于Horus[2]｡然而FIFS仅仅使用了CSI的幅值特征,且将多个天线上测得的幅值简单平均得到指纹,也未充分利用频率多样性的特点｡
2014年,Chapre等[3]实现了CSI-MIMO 指纹定位系统｡该系统充分考虑到CSI测量值的空间多样性和频率多样性,即Wi-Fi设备利用了多个收发天线和多个子载波频率｡构建指纹库时,CSI-MIMO 首先记录了各个指纹点采集到的CSI原始值,再做进一步处理｡对于p 根发射天线和q 根接收天线的配置,得到的 CSI值通过求和被降维至１×３０：
(6-1)
之后再从聚合后的CSI中得到各个子载波频率对应的幅值和相位｡考虑到不同子载波频率的信号传播受环境影响不同,CSI-MIMO 将相邻子载波的测量值作差并最终得到指纹,经过实际匹配,其定位精度比FIFS提高了57%｡
2015年,Wang等[4]实现的DeepFi系统又将深度学习技术应用于CSI指纹匹配,提高了定
位精度｡文献[5]也应用了深度学习方法,对于非视距(non-line of sight,NLOS)情况做了相关的改善｡
文献[6]通过将磁场强度和CSI幅度信息作为指纹,利用补零来构建训练数据,通
过卷积神经网络(Convolutional neutral networks,CNN)进行指纹训练,取得了平均误差为1.2 m的定位效果,上述两种方法仅考虑CSI的幅度信息,且文献 [6] 虽然联合了磁场强度和 CSI 幅度共同作为指纹,但磁场强度在室内环境中依然不够稳定.
文献[7]提出CiFi系统,通过提取5 GHz频段3个天线的相位信息,计算相邻天线的相位差并估计到达角度(Arrival of angle,AOA) ,将AOA重构为60×60的图片来作为指纹数据,利用CNN来进行训练,取得了比DeepFi 更好的定位效果,但是CiFi没有充分利用CSI的幅度信息,60×60的指纹构成方法在实时定位的时效性上有待提高.
文献 [8] 在 CiFi 的基础上联合CSI 的相位差和幅度信息作为指纹,将指纹构建为三维度矩阵,前两个维度用相位差填充,第三个维度采用114个数据包的幅度填充,同样在定位的时效性上有待提高.

参考文献

[1]Xiao J,Wu K,Yi Y,et al.FIFS:Fine-Grained Indoor Fingerprinting System[C].International Conference on Computer Communications and Networks,IEEE,Munich,2012
[2] Youssef M,Agrawala A.The Horus WLAN Location Determination System[C].International Con-
ference on Mobile Systems,Applications,and Services,Washington D C,USA,2005
[3] Chapre Y,Ignjatovic A,Seneviratne A,et al.CSI-MIMO:Indoor Wi-Fi Fingerprinting System[C].
39th Annual IEEE Conference on Local Computer Networks,Edomonton,AB,Canada,2014
[4] Wang X,Gao L,Mao S,et al.DeepFi:Deep Learning for Indoor Fingerprinting Using Channel
State Information[C].Wireless Communications and Networking Conference,IEEE,New Orleans,
USA,2015
[5]Choi J S,Lee W H,Lee J H,et al.Deep Learning Based NLOS Identification with Commodity WLAN Devices[J].IEEE Transactions on Vehicular Technology,2017,doi:10.1109/TVT.2017.2780121
[6]Wang Y, Huang X D, Guo S T. Indoor fingerprint location algorithm based on convolutional neural network. J Software,
2018, 29(Suppl 1): 63
( 王英, 黄旭东, 郭松涛. 基于卷积神经网络的室内指纹定位算法. 软件学报, 2018, 29(增刊1): 63)
[7]Wang X Y, Wang X Y, Mao S W. CiFi: Deep convolutional neural networks for indoor localization with 5 GHz Wi-Fi // 2017 IEEE
International Conference on Communications (ICC). Paris, 2017:1
[8]Li H, Zeng X, Li Y, et al. Convolutional neural networks based indoor Wi-Fi localization with a novel kind of CSI images. China
Communications, 2019, 16(9): 250