信道狀態信息無線感知數據獲取及應用綜述

王 騰,畢京學,陳國良,孫 猛,趙美琦,曹景春,蔚保國,黃 璐

(1.中國礦業大學環境與測繪學院,徐州,江蘇 221116;2.山東建筑大學測繪地理信息學院,濟南 250101;3. 中國電子科技集團公司第五十四研究所,衛星導航系統與裝備技術國家重點實驗室,石家莊 050081)

0 引言

隨著無線通信技術及物聯網的迅猛發展,非接觸式無線信號感知取得較多研究成果,在智能家居交互[1]、智慧工廠生產[2]及健康醫療輔助[3]等方面有著重大應用價值,人們對無線信號感知的需求也在日益增強。相較于傳統接觸式傳感器,無線信號感知無需人員接觸設備,僅依靠分析空間環境中傳播的無線信號即可實現高效、經濟及全天候的非接觸式感知。與同樣非接觸式感知的計算機視覺[4-5]相比,無線信號具有穿透感知能力強、對環境光線要求低、室內無縫覆蓋成本低以及不直接涉及隱私等優勢,并擁有感知設備不易被察覺的特點。

現有無線信號感知研究中所用的信號類型包括調頻連續波(frequency modulated continuous wave,FMCW)雷達[6-7]、超寬帶(ultra wide band,UWB)雷達[8-9]、射頻識別(radio frequency identification,RFID)[10-11]、低功耗藍牙(bluetooth low energy,BLE)[12-13]和無線保真(wireless fidelity,WiFi)[14-15]等。FMCW雷達與UWB雷達雖然感知精度高,但普適性弱且設備功耗與建設成本高;RFID與BLE設備功耗與建設成本低,但感知精度一般且信號覆蓋范圍小。同時上述4種信號都需要專有信號發射設備。由于人們對網絡連接的巨大需求,方便易用的WiFi信號廣泛分布于家庭和公共環境中,基于WiFi的無線感知憑借功耗適中、成本低廉以及室內廣泛覆蓋等優勢成為無線信號感知研究的熱點。

基于WiFi信號的無線感知主要可分為兩類:接收信號強度指示(received signal strength indication,RSSI)和信道狀態信息(channel state information,CSI)。在某一時刻,RSSI只能提供媒體訪問控制(media access control,MAC)層粗粒度的單個數值,感知能力較差;而CSI可以提供物理層細粒度的一組數值,包含振幅和相位兩類信息,感知的穩定性和靈敏性均優于RSSI。

在移動通信4G/5G以及BLE中也同時存在RSSI與CSI,但目前沒有合適的工具可以自商用設備采集其中的CSI,只能通過軟件定義無線電(software define radio,SDR)設備上的SrSLTE等工具實現以研究為目的的數據獲取[16]。同時由于可用的優質數據集較少,致使CSI數據主要依靠研究者自主采集獲取,本文側重于介紹自WiFi信號中獲取CSI數據的各種設備/工具及相關研究應用,因此后文所述CSI均為WiFi信號中的CSI。

WiFi信號中一直存在CSI,但受技術及設備的制約,以往需要專用的SDR設備才能從中獲取,致使相關研究進展緩慢。2011年,Halperin團隊通過修改Intel 5300網卡驅動開發出Linux 802.11n CSI Tool[17],使得首次能夠使用商用WiFi網卡采集CSI數據,大大降低了研究門檻。隨后多年內另有科研人員研發了多種適配不同網卡的數據采集工具。然而經統計得知,截至目前已發表的CSI無線感知研究論文中有近95%仍然使用早期研發的Linux 802.11n CSI Tool,究其原因很可能與研究人員對CSI數據采集設備/工具發展現狀的認識不清晰有關。盡管Intel 5300網卡便宜易得、固件安裝教程詳細,但該工具最大僅支持802.11n標準、40 MHz帶寬、30個子載波下的CSI采集,而基于WiFi6E網卡的CSI數據采集工具可支持更新標準(802.11ax)、更大帶寬(160 MHz)以及更多子載波(2 048)的數據采集。更大的帶寬和子載波意味著具有更強的感知能力,為了充分發揮CSI研究的潛力,研究人員應多關注使用能夠采集更高維度CSI數據的設備/工具。

近幾年,在CSI研究領域已有眾多綜述類論文[18-23],在數據處理、算法以及應用等方面進行詳細綜述,但對CSI數據采集設備/工具及相關開源數據集方面的統計分析內容較淺,未能全面統計當前現有的CSI數據采集設備/工具及相關開源數據集。

1 基于WiFi CSI的無線感知

1.1 IEEE 802.11標準

802.11不同的后綴代表著不同的無線局域網標準,自1997年電氣與電子工程師協會(Institute of Electrical and Electronics Engineers,IEEE)首次提出802.11以來,已有超過40種協議被正式采納。常單獨提及的WiFi1～WiFi7對應著不同時期對802.11標準有巨大推動作用的幾種協議,WiFi1～WiFi7的部分信息如表1所示。補碼鍵控(complementary code keying,CCK)技術與直接序列擴頻(direct sequence spread spectrum,DSSS)技術使用單載波進行低數據速率傳輸,而正交頻分復用(orthogonal frequency division multiplexing,OFDM)技術使用多載波進行高數據速率傳輸,正交幅度調制(quadrature amplitude modulation,QAM)技術是相位調制和幅度調制的組合,可明顯提升數據傳輸速率。多輸入多輸出(multiple input multiple output,MI-MO)技術支持發送和接收端使用多個天線,用以提高信號傳輸的速率和可靠性。

表1 不同WiFi標準的部分功能對比

1.2 CSI無線感知

CSI是采用OFDM和MIMO技術的無線通信系統中用于描述信道狀態的信息,由幅值和相位組成。CSI接收到的信號來自于多個傳輸路徑的疊加,描述了信號傳輸過程中的反射、散射、衰落等狀態,即具有記錄周圍環境細節的能力,感知能力強于RSSI。

在t時刻,采集到的α個發送端天線、β個接收端天線和γ個子載波的CSI數據格式如圖1所示。

圖1 CSI數據格式

某時刻單一天線對的接收信號可以表示為

Y=HX+N

(1)

式中,Y和X表示接收信號和發射信號;H表示CSI矩陣;N表示高斯白噪聲。H包含了所有子載波的CSI信息,因此H可表示為

H=(H(f1),…,H(fk),…,H(fS))

(2)

式中,H(f)表示單個子載波的CSI值;fk表示子載波k的中心頻率;S表示全部子載波的個數。單個子載波的CSI值是一個復數值,可表示為

(3)

使用CSI進行感知的基礎是CSI的幅值特征和相位特征會受環境影響產生相應變化。CSI幅值變化可以反映設備周圍環境的變化,當環境中僅有靜態物體時,幅值保持相對穩定,而當環境中有動態物體移動時,幅值變化明顯,且幅值變化幅度與物體動作幅度成正比;物體運動在引起幅值變化的同時,也會導致信號到達接收端時產生相位偏移,因而相位也具有感知環境的能力。如圖2所示,Tx表示信號發送端,Rx表示信號接收端,當人員自視距(line of sight,LOS)奔跑到非視距(non line of sight,NLOS)時,幅值與相位會發生對應波動變化。基于此,通過分析CSI數據可以反向推測出環境的具體活動變化,即CSI具有無線感知能力,且在一定限度內,CSI的數據維度與發射頻率越高,對周圍環境的細微變化越敏感,感知能力越強。

圖2 CSI幅值與相位隨運動變化

1.3 與其他無線信號感知的對比

不同的目標、動作會對無線信號產生不同程度的影響,而相同的目標、動作會產生相似的影響。正如引言部分所述,無線信號感知按使用的信號類型可分為FMCW雷達、UWB雷達、RFID、BLE及CSI等,眾多信號在具有穿透感知能力強、對環境光線要求低、不直接涉及隱私等相同點的同時,在感知原理、信號特性及應用場景方面存在著較大差異。

1.3.1 感知原理

按照信號傳播方式、收發設備位置可將無線信號感知的工作原理分為圖3所示3種。FMCW雷達首先由Tx發射連續調頻毫米波信號,通過分析Rx接收的回波信號來獲取目標信息,對應圖3(a);UWB雷達既可通過分析回波信號獲取目標信息,也可由Tx向Rx發射單向信號進行感知,對應圖3(a)、(c);RFID無線感知需要電子標簽(Tag)中轉,Tag在收到Tx發射的激勵信號后,通過調制回應信號的方式將數據傳輸回Rx,分析包含眾多信息的回應信號實現感知,對應圖3(b);BLE與CSI無線感知的工作原理相似,均是由Tx向Rx發射單向信號,對應圖3(c),但CSI無線感知通過分析信道狀態矩陣獲取信號傳輸過程中的狀態信息,細粒度感知能力更強。

(a) 雷達回波感知

1.3.2 信號特性

不同無線信號的特性及優缺點各有差異,表2列出5種無線信號的7類信號特性進行對比。其中,FMCW雷達工作頻段為部分毫米波頻段(如24 GHz、77 GHz等),RFID常用的工作頻段有低頻(如125 kHz)、高頻(如13.56 MHz)、超高頻(如433 MHz)、微波(如2.45 GHz)。FMCW雷達與UWB雷達工作頻段高、信號傳播距離遠、穿透性強且感知能力強,但也伴隨著設備功耗高、建設成本高的劣勢,適用于室內外場景高精度感知;RFID工作頻段低、信號傳播距離近、穿透性差,但設備功耗及建設成本低,適用于近距離無線感知;BLE、CSI的信號傳播距離、穿透性、設備功耗適中,建設成本低,適用于室內環境中近距離無線感知。同時,BLE與CSI無線感知的信號發射設備還具備通感一體化,設備用途廣于其他3種信號。

表2 不同無線信號特性

1.3.3 應用場景

FMCW雷達、UWB雷達憑借信號傳播距離遠、穿透力強且感知能力強的特性,被廣泛應用于室內外場景高精度感知,其中FMCW雷達主要用于車輛駕駛、工業自動化等場景,UWB雷達主要用于室內定位、物流倉儲等場景。由于RFID信號傳播距離近、設備功耗及建設成本低的特性,多用于物品追蹤、門禁安保等近距離無線感知場景。BLE、CSI信號傳播距離、穿透性及設備功耗適中且信號發射設備具有通感一體化特性,BLE主要用于智能家居管理、室內定位等場景,CSI主要用于室內定位、活動識別等室內多類型感知場景。

2 CSI數據采集設備/工具

自Halperin團隊研發使用商用WiFi網卡采集CSI數據的Linux 802.11n CSI Tool以來,科研人員根據需求先后研發出多種數據采集工具,表3列舉了目前開源的9種CSI數據采集設備/工具,其中由于Wi-ESP CSI Tool與ESP32 CSI Toolkit的參數性能高度相似,AX-CSI依托Nexmon CSI Extractor的開發經驗設計而得,因此在后文中并未將Wi-ESP CSI Tool和AX-CSI單獨展開描述,而是合并到ESP32 CSI Toolkit和Nexmon CSI Extractor中。理論上采集到的CSI維度越大則記錄的細節越多,對應的感知能力越強。但為應對無線信道的特性及保證數據傳輸的可靠性,OFDM中存在物理限制與間隔保護,導致在各帶寬下實際采集到的最大可用CSI維度要小于理論維度。表中是否能夠獨立工作是指在無需額外硬件設備托管網卡/SDR設備的情況下可自主采集CSI數據。

表3 CSI數據采集設備/工具

表3中所列的CSI數據采集設備/工具均至少具有AP、Monitor兩種采集模式,前者僅需一臺裝有指定網卡的設備向WiFi信號發射設備(路由器、智能手機等)發送指定命令即可獲取CSI數據,后者需要2臺以上設備分別作為信號發送端與接收端采集數據。Monitor模式相比于AP模式靈活性強,可根據需求自主設置參數。

研究人員可依托表3中支持設備/網卡、CSI數據維度、帶寬、頻段以及能否獨立工作等信息快速確定研究所需的CSI數據采集設備/工具。例如,若想在不需額外設備情況下獨立采集數據,可以考慮Nexmon CSI Extractor、ESP32 CSI Toolkit、Wi-ESP CSI Tool、OpenWiFi工具;若想使用智能手機進行研究,可以考慮Nexmon CSI Toolkit、ESP32 CSI Toolkit及Wi-ESP CSI Tool工具。

2.1 SDR設備

SDR是一種利用軟件和硬件協同工作的無線通信系統,通過可編程的數字信號處理技術,在接收、處理和發送無線信號時具有較強的靈活性、可擴展性和適應性。SDR設備種類眾多,但只有同時滿足具有MIMO支持、CSI采集硬件和CSI信號處理算法的設備才可采集CSI數據,例如,通用軟件無線電外設(universal software radio peripheral,USRP),無線開放研究平臺(wireless open-access research platform,WARP)。

盡管SDR設備能夠接收和發送射頻信號,但是對于這些信號的處理,如解調、編碼、對CSI進行估計等,需要GNU Radio、MATLAB Simulink等專用的軟件來完成。這些軟件框架提供了許多預定義的工具和函數,如濾波、解調、信道估計等,用來從原始射頻信號中提取CSI。

商用WiFi網卡主要目的是簡易通信,在出廠時往往不會嚴格校準,因此在CSI測量時會帶來載波頻率偏移(carrier frequency offset,CFO)進而引起CSI相位隨機變化,同時硬件噪聲也會影響到幅值的獲取。SDR設備在硬件質量、射頻前端配置、數據傳輸接口和軟件支持方面明顯優于裝有商用WiFi網卡進行CSI采集的設備,具有較少的噪聲和更好的信噪比,可采集到更高質量的信號。但SDR設備成本遠高于商用WiFi網卡,同時,推廣部署成本高,使用場景通常僅限于實驗室研究。

2.2 Linux 802.11n CSI Tool

美國華盛頓大學Daniel Halperin團隊于2011年開發出第一個自商用網卡采集CSI的系統Linux 802.11n CSI Tool[17],該系統可以從802.11n標準的Intel 5300網卡中采集到包含30個子載波的加密dat文件,通過提供的MATLAB、Python數據處理代碼可從中提取RSSI、CSI、時間戳等信息,大大降低了CSI研究的門檻。

Linux 802.11n CSI Tool僅可安裝在裝有Intel 5300網卡、Linux系統內核版本為3.2～4.2之間的計算機上。Linux 802.11n CSI Tool最多可采集3×3×30維度的可用CSI數據,該30個子載波平均分布于40 MHz帶寬的114個子載波中,20 MHz與40 MHz帶寬下的子載波編號如表4所示。Linux 802.11n CSI Tool憑借開發時間早、操作教程詳細、研究資料眾多等優勢,歷經多年仍是CSI無線感知研究中最常用的采集工具。

表4 Linux 802.11n CSI Tool在不同帶寬下的子載波分布

2.3 Atheros CSI Tool

新加坡南洋理工大學的謝亞雄團隊于2015年基于Atheros網卡開發出Atheros CSI Tool[24],該平臺完全在軟件中實現,構建在開源Linux內核驅動程序ath9k之上。與Linux 802.11n CSI Tool相同的是,Atheros CSI Tool最多支持3×3個MIMO天線組合,但該工具能夠采集更為豐富的子載波信息,在20 MHz和40 MHz帶寬下可分別采集到包含56和114個可用子載波的數據。

Atheros CSI Tool理論上可以安裝在裝有AR-9580、AR9590、AR9344、QCA9558等所有型號的Atheros 802.11n WiFi網卡的計算機上,適用于Ubuntu、OpenWrt以及Linino等Linux發行版系統。Zou等[25]依據Atheros CSI Tool為商用WiFi路由器開發了基于OpenWrt的固件,使路由器具有直接采集CSI的能力,減弱了工具對計算機的需求。

2.4 Nexmon CSI Extractor

德國達姆施塔特工業大學的Matthias Schulz團隊于2018年開發出自Nexus 5智能手機中采集CSI數據的Nexmon CSI Extractor[26],并在后續更新拓展至支持多款智能手機、樹莓派和路由器[27],這標志著CSI獲取進入移動智能手機時代。該系統最多可在80 MHz帶寬下采集到4×4×242維度的可用CSI數據。

Nexmon CSI Extractor可安裝在裝有BCM4339、BCM4358等部分型號高通BCM43系列網卡的智能移動設備上,如Nexus 5/6p、樹莓派3B+、華碩RT-AC86U等。在安裝Nexmon CSI Extractor前,需確保設備進入Root狀態且系統框架處于指定版本,使用Ubuntu系統的計算機刷入Nexmon固件修改Broadcom網卡后,即可使用終端采集CSI數據。需額外注意的是,Nexmon修改固件具有損壞硬件的風險。

Gringoli等依據Nexmon在802.11ac標準Broadcom4365網卡上的經驗,于2022年開發出了AX-CSI采集工具[28],該工具可在裝有Broadcom43684網卡的華碩RT-AX86U路由器上采集802.11ax標準、160 MHz 帶寬以及4×4×2 048維度的可用CSI數據。

2.5 ESP32 CSI Toolkit

Hernandez團隊于2020年依據樂鑫ESP32開發板開發出ESP32 CSI Toolkit[29],ESP32具有可獨立工作、功耗極低、成本低廉、體積小巧以及質量輕便等特點,可將多個ESP32開發板設置為接入點或站點兩種模式收發數據,以支持大規模實施和部署。

ESP32 CSI Toolkit可安裝在所有型號的ESP32上。由于ESP32開發板只預留了一個天線接口,ESP32 CSI Toolkit僅支持單天線進行數據傳輸,但可接收來自多天線設備的數據。Makwana等[30]在2.4 GHz頻段、40 MHz帶寬和非時空分組碼(non space time blocked code,NSTBC)模式下采集到166個子載波的可用CSI數據。值得注意的是,由于ESP32整體沒有連接互聯網,無法在本地設置時鐘,應通過連接的計算機在采集前手動設置時鐘或在采集后通過給定函數修正數據時間戳。

ESP32既可獨立工作,也可連接計算機/智能手機使之具有訪問CSI的能力。與Nexmon CSI Extractor相比,ESP32可以在不修改智能手機網卡固件的情況下,使手機訪問CSI;與其他工具/平臺相比,ESP32可不依靠其他設備獨立采集CSI,并存儲至板載micro-SD卡中。

在2020年,Muhammad Atif團隊也開發了基于樂鑫ESP32開發板的Wi-ESP CSI Tool[31],其基本參數與ESP32 CSI Toolkit相同,同樣具有可獨立工作、功耗極低、成本低廉且可大規模部署等特點。

2.6 OpenWiFi

OpenWiFi是由比利時微電子研究中心的焦現軍博士等[32]于2020年發布的一個開源的全棧IEEE 802.11 SDR實現,可提供如同商業無線網卡一樣的WiFi接入或鏈接服務。OpenWiFi的無線信號時延約為商用路由器的十分之一,最佳狀態可達0.2～0.3 ms。CSI通過OpenWiFi側信道基礎設施提取,目前最多可采集1×2×56維度的可用CSI數據。

OpenWiFi工作方式與商用WiFi網卡相同,但商用網卡高度集成進而在二次開發時有諸多限制,而OpenWiFi自主化程度高,支持Linux、Windows+WSL環境下運行Vivado進行現場可編程門陣列(field programmable gate array,FPGA)開發,且OpenWiFi是全雙工(full-duplex),能在發送數據的同時接收數據,可實現自身的Rx天線接收自身的Tx天線發送的信道響應。通過修改用戶空間程序,OpenWiFi采集的數據既可上傳至PC端處理,也可在開發板本地處理,后者具有不依靠其他設備獨立工作的能力。

運行OpenWiFi需要一塊FPGA開發板及一塊ad9361射頻板,目前已在Github公布支持11種開發板-射頻板組合。將對應開發板的Linux+OpenWiFi系統映像燒錄至SD卡,開發板插入SD卡并連接計算機簡單配置后即可運行OpenWiFi。FPGA開發板價格較高,目前OpenWiFi僅用于開發研究用途。OpenWiFi仍在不斷更新完善,以尋求適應更多FPGA開發板、適配更新標準的WiFi6和實現更多MIMO天線數。

2.7 PicoScenes平臺

PicoScenes平臺是西安電子科技大學蔣志平團隊于2021年發布并不斷更新維護的一款WiFi感知中間件[33],該系統可以在6 GHz頻段下獲取具有更少噪聲干擾、更大時空分辨率及更大維度特征的CSI數據。PicoScenes是目前唯一支持多個網卡同時進行CSI測量的平臺,使用PCI-E網橋適配器理論上可支持安裝100多個WiFi網卡,同時也是首個將USRP設備無縫轉換為CSI測量硬件的平臺,并可提供完整的PHY層信息。

PicoScenes目前支持4種商用WiFi網卡和部分SDR設備,包括AX200、AX210、AX211、QCA9300和Intel 5300、所有USRP型號和HackRF One。由于支持AX210網卡,使得可以在全格式(802.11a/g/n/ac/ax)、全帶寬(20/40/80/160 MHz)、全編碼(LDPC/BCC)、全頻段(2.4/5/6 GHz)進行數據包注入和CSI測量,最大可獲取2×2×1 992維度的可用CSI數據,使用USRP X310等SDR設備更可獲取4×4×1 992維度的可用CSI數據。

3 CSI無線感知應用方向

在室內傳播的WiFi信號會發生反射、散射及衍射等效應,自WiFi物理層提取的CSI可提供多個信道的細粒度信息,從而使CSI具有感知周圍環境的能力,在室內定位、活動識別、健康檢測、人群計數、身份識別以及物品檢測等方向有著重要的研究與應用價值。6種CSI無線感知應用方向的感知示意如圖4所示。

(a) 室內定位

3.1 室內定位

隨著物聯網技術的發展,基于位置的服務(location based service,LBS)已深入人們的日常生活。由于建筑物的遮擋,衛星定位無法應用于室內環境中,目前主流的研究方向是通過UWB、RFID、WiFi等信號開展室內直接/指紋定位研究,其中WiFi憑借成本低、覆蓋范圍廣等優勢成為研究熱點。室內定位依據定位方式可分為測角定位、測距定位與指紋定位3種,如圖5所示。

(a) 測角定位方式

測角定位是依靠測量Tx與Rx的到達角度(angle of arrival,AOA),需要至少2個已知位置的設備(Tx/Rx)作為定位基站,通過不同方向的射線交會的方式確定待定位設備的位置。AOA多依靠多重信號分類(multiple signal classification,MUSIC)算法分解相互正交的信號子空間與噪聲子空間的特征值進行估算得到,該方法要求Rx的天線陣列數遠大于信號的來波數量,且AOA估計分辨率與天線陣列數正相關。ArrayTrack系統[34]通過在底層修改固件的方式使WiFi設備具有多天線接收能力,將采集的多個Tx的CSI利用MUSIC算法進行角度估算,實現了亞米級的測角定位。SpotFi系統[35]提出了虛擬天線陣列的概念改進MUSIC算法,精準估計多路徑的AOA,將AOA估計的天線陣列數降至3個。TWPalo系統[36]將AOA與多普勒頻移相結合,實現了穿墻式無設備人體位置估算。

測距定位是依靠測量Tx與Rx之間的直線距離,需要至少3個已知位置的設備(Tx/Rx)作為定位基站,通過不同半徑的圓交會的方式確定待定位設備的位置。由于距離無法直接測量,通常通過間接方式計算Tx與Rx距離,有基于路徑損耗模型測距和基于信號傳播時間測距兩種?；诼窂綋p耗模型測距定位是依靠CSI傳播能量強度與距離的物理公式計算出Tx與Rx間的距離。CUPID2.0系統[37]將濾波后的CSI代入路徑損耗模型計算距離進而實現定位,定位精度遠遠優于基于RSSI路徑損耗模型的測距定位。但路徑損耗模型測距定位易受環境干擾,在不同時間及空間存在較大差異?；谛盘杺鞑r間測距定位通過測量Tx到Rx的信號傳播時間乘上光速計算出直線距離,可分為到達時間(time of arrival,TOA)和到達時間差(time difference of arrival,TDOA)兩種,兩者對設備間時間同步要求極高,前者要求系統內的所有設備均時間同步,而后者僅要求各定位基站時間同步。Chronos系統[38]將不同頻段的CSI以拼接帶寬的方式進行整合,然后解算TOA實現三邊測距定位。由于基于路徑損耗模型測距定位易受環境影響,基于信號傳播時間測距定位對設備間時間同步要求極高,因此基于測距的CSI定位研究相對較少。

指紋定位是依靠獲取不同位置的CSI指紋信息進行機器學習分類或回歸實現位置定位,按照是否攜帶Rx可分為基于設備的定位(device-based localization,DBL)與無設備定位(device-free localization,DFL),CSI指紋定位至少需要一個Tx。DBL指紋定位原理是分析Rx在不同位置的不同信號傳播路徑進行指紋定位。CSI-MIMO系統[39]獲取MIMO信息及CSI幅值、相位信息建立指紋數據庫進行指紋定位。DeepFi系統[40]使用深度學習算法訓練CSI幅值指紋庫,并結合基于徑向基函數的概率方法實現在線定位。DFL指紋定位原理是分析用戶在不同位置對信號傳播路徑的不同程度遮擋進行指紋定位。Wu等[41]在多種室內環境中劃分多個定位區域,通過采集兩條天線鏈路的CSI幅值信息開展無設備指紋定位,定位準確率約為86%。黨小超等[42]使用支持向量回歸建立CSI指紋與位置的非線性模型,在狹窄樓梯環境下有90%概率達到1 m定位精度。

3.2 活動識別

當人體處于信號覆蓋區域時,不同肢體動作會對信號產生不同程度的干擾,通過處理分析可實現活動識別。自CSI活動識別提出以來,學者們不斷改進現有的識別方法,提高識別精度和魯棒性,準確地識別人體活動可以有效提高人機交互質量,在智能家居、智慧工廠以及智慧監護等場景具有重要的應用前景和經濟價值。按照動作幅度大小,可將CSI活動識別分為粗粒度活動識別和細粒度活動識別兩種。

粗粒度活動識別更注重對整體活動的分類,往往忽略了一些動作的細節與差異,CSI粗粒度活動識別主要圍繞全身性活動識別和手勢識別兩種方向進行研究。Shi等[43]通過時域統計特征和深度神經網絡(deep neural networks,DNN)對16種日常活動進行識別,其中8種原地活動識別精度為97.6%,8種路線行走活動識別精度為98.3%。TW-See系統[44]基于相反的魯棒主成分分析(opposite robust principal component analysis,OR-PCA)提取混凝土墻壁后較為純潔的人體動作信息,實現了高精度的隔墻活動識別。吳哲夫等[45]提出了一種駕駛員動作檢測系統,在室內和道路上可以達到90%以上的識別率。WiID系統[46]通過支持向量分布估計方式對多人的7種手勢動作識別率達到90%以上。Meng等[47]自相鄰天線相位差中提取特征,并采用稀疏恢復方法提高數據與手勢間的相關性,在兩種室內環境下的手勢識別精度均超過95%。

細粒度活動識別不僅注重整體活動的分類,還注重具體動作的細節與差異,CSI細粒度活動識別主要圍繞唇語識別、擊鍵識別以及書寫識別等方向進行研究。LipSense系統[48]在人員打電話情況下的單人唇語識別率為94.3%,3人平均識別率為85.7%。Meng等[49]提出了一種手機擊鍵識別系統Wind-Talker,可以較為準確地識別到具體擊鍵,并且提出了一種CSI混淆對策來干擾CSI擊鍵識別。Cao等[50]提出了一種書寫識別系統Wi-Wri,該系統能夠以超過98.1%的識別率識別書寫活動,以超過82.7%的識別率識別具體書寫字母。Marwa等[51]提出了一種可識別頭部運動摩爾斯電碼的Wi-Nod系統,可有效識別出規定的幾種摩爾斯電碼動作。

目前現有研究大多是從CSI幅值和相位中提取關鍵特征進行活動識別,由于CSI對環境極為敏感,研究模型往往僅可應用于實驗區域,對未知環境的泛化性弱。針對此類問題,部分研究人員開展了相關實驗研究。ReWiS系統[52]基于小樣本學習(few-shot learning,FSL)僅需少量的新樣本即可應用于新環境。Sharp系統[53]依據多普勒頻移僅對運動目標敏感的特性,提出了多普勒頻移與神經網絡結合進行活動識別的方案,實驗表明即使在不同人員、日期、實驗場景的情況下,仍可實現96%的綜合識別率。

3.3 健康檢測

呼吸和心跳是評估人體精神與生理狀況的重要指標,可以幫助醫生及時判斷患者的病情和病因,從而采取相應的治療措施?，F有檢測方式是通過穿戴式傳感器識別人體體征狀態,但存在需要長期佩戴、使用不便的弊端。呼吸和心跳導致人體胸腔產生周期性變化,CSI可以捕捉到這種人體細微變化并進行分析得到呼吸率和心率。

由于人體正常呼吸時胸腔平均起伏僅5 mm,遠遠小于身體其他動作,這時需要引入菲涅爾區的感知模型以提高CSI感知極限。在Tx與Rx信號傳播過程中,周圍存在著許多以Tx、Rx為焦點的不同長短半軸的同心橢圓,不同橢圓對應著不同的菲涅爾區,傳播到奇數菲涅爾區內的波與LOS同相位,信號得以疊加增強;傳播到偶數菲涅爾區內的波與LOS反相位,信號會疊加減弱,并且在菲涅爾區內離中間位置越近信號波形的辨識度越大。如圖6所示,人體呼吸時會對信號傳播路徑產生周期性的不同影響,人體在A位置時的呼吸和心跳相比于B位置更易檢測。Wi-Sleep系統[54]首次提出使用CSI檢測用戶的睡眠狀態,識別出人體呼吸及睡眠姿勢。Wang等[55]首次將菲涅爾區引入至人體呼吸檢測領域,初步提出一種基于菲涅爾區的無線信號感知模型。Zhang等[56]使用菲涅爾區模型量化了衍射增益與人體呼吸胸部位移之間的關系,在第一菲涅爾區內60%的位置實現了98%以上的呼吸識別率。Lee等[57]采用動態時間規整(dynamic time warping,DTW)算法識別呼吸和心跳引起的胸腔周期性變化,對不同呼吸模式的正確識別率為94%。Chen等[58]提出一種基于遷移學習的呼吸暫停檢測系統TLAD,可有效識別出3種睡眠呼吸暫停類型。Liu等[59]設計了一種單輸入雙輸出的卷積神經網絡,通過輸入CSI的幅值與相位對呼吸和心跳進行估計,識別率分別為98.581%和99.109%。

圖6 基于菲涅爾區模型的人體呼吸監測

由于呼吸與心跳引起的身體變化遠小于人體運動,檢測時需要在離信號收發設備較近位置靜止不動才可有效識別到呼吸與心跳,因此現有實驗研究與應用場景較為有限,多為家庭臥室等小型室內環境。

3.4 人群計數

人群計數是計算一定空間范圍內人數或人群密度的技術,在智能家居、智慧監管、安全疏散以及消防救援等場景具有重要應用價值。目前主流的人群計數方式是依據視覺攝像頭識別室內人數,但視覺攝像頭存在成本與覆蓋范圍正相關、要求環境明亮無遮擋、用戶隱私等問題,并且人員可能因為攝像頭安裝角度問題導致呈現相互遮擋情況,進而影響識別準確度。由于在室內WiFi信號無處不在,使用CSI無線感知人群計數是一個很有前景的研究方案。

當人群通過WiFi信號傳播區域時,他們的身體會對信號產生衰減和多徑效應,導致Rx接收的CSI幅值、相位產生變化,這種變化與人群數呈現正相關關系。Zhou等[60]提出的智能樓宇人群計數系統WiFree對時間和環境具有較強的魯棒性,樓宇內人群計數識別率達到92.8%。Choi等[61]提出了一種同時進行人群計數和定位的CSI無線感知系統,0～5人在實驗的4個區域內自由行走,系統可達到94%的計數準確率和95%的定位準確率。Brena等[62]在公共數據集上計算多天線多普勒頻移并提取特征訓練機器學習模型,取多天線預測值的均值作為最終預測值,實現了99%的準確率。

現有研究多要求在人員保持靜止或多人沿指定方向勻速行走時開展室內人群計數實驗,雖然準確率很高,但人們在現實室內環境中不可能都保持相同或相似的動作運動,這種嚴苛的條件在現實中是不切實際的,研究仍存在較大的約束與挑戰。

3.5 身份識別

由于個體的生理特征和行為習慣的差異,人們在做相同動作時會對無線信號產生不同干擾,使信號攜帶身份信息,通過分析信號可以進行身份識別。高準確度的身份識別在身份驗證、智慧門禁、智能交互等實際應用中有著強烈的需求?；贑SI的身份識別相比于生物特征(例如面部、指紋、聲音)識別,具有設備成本低、無需物理接觸等優勢。

研究表明,每個人的步態都是獨一無二的,即步態最能反映一個人的特色,因此研究人員主要通過步態進行身份識別。WiWho系統[63]是首個利用人體步態特征識別身份的CSI無設備感知系統,通常只需人員行走2～3 m即可識別身份。WiPIN系統[64]對30名受試者的綜合身份識別率為92%,并可有效識別出非法用戶。Cao等[65]提出一種輕量級深度學習模型,在50人步態數據集上識別率達到99.7%的同時,模型大小只有同類系統的5.53%。Guo等[66]利用多任務學習和深度殘差收縮網絡處理降噪后的CSI步態數據,可實現高精度的位置和身份聯合識別。

除步態特征外,一些常見動作也會因行為習慣產生差異,研究人員根據不同應用場景選取不同動作進行身份識別。Yang等[67]提出一種基于車輛駕駛習慣的駕駛員身份識別系統WFID。Kong等[68]提出一種實時分析手指手勢的持續身份認證系統FingerPass。WirelessID系統[69]首次考慮分析細粒度動作來識別用戶身份,通過分析手寫簽名實現了93.14%的5人綜合識別率。

3.6 物品檢測

除了與人相關的感知外,CSI還可以應用于物品檢測感知。不同材質、不同狀態的物體對無線信號傳播具有不同程度的影響,通過這種信號間差異可進行物品檢測,例如通過水果間的細微差異可判別出水果種類、含水量及成熟程度等。

Ohara等[70]將CSI無線感知應用于檢測室內門、窗、家具的閉啟狀態,在3種環境下達到了90%的綜合識別率。Ma等[71]將水箱水位分為空、半、滿3種狀態,使用神經網絡進行判別,在多種環境下仍能實現超過90%的識別率。Liu等[72]提出一種水果內部品質檢測系統Wi-Fruit,能夠高效識別2種厚果皮與4種薄果皮水果的內部水分及可溶性固體物含量。Tan等[73]提出一種水果成熟度感知系統FruitSense,能夠以90%以上的識別率識別出4種成熟程度的水果。Zhou等[74]提出一種檢測行人攜帶金屬可疑物的感知系統,金屬物在行人行走隱藏、行走暴露及站立暴露情況下的識別率分別為93.3%、95.6%和100%。

由于往往需要較高的信號發射頻率才能檢測出物品間的微小差異,CSI物品檢測對商用設備的穩定性及功耗壓力較大。由于物品間的差異往往難以被察覺,因此物品檢測的研究熱度遠低于人體感知。

4 近5年開源數據集

采集CSI數據并標記數據集的過程十分繁瑣,導致大部分研究者不愿公開論文數據集,這會從以下三方面嚴重影響CSI無線感知研究的發展:1)阻礙研究的可復現性;2)后續研究者仍需耗費大量精力采集相似的數據,費時費力;3)基于不同數據集的研究成果不宜用來對比,無法說明算法的先進性。

收集近5年(2019—2023年)的開源數據集如表5所示,研究人員對數據集的需求多體現在關注數據集的實驗場景、實驗人員、數據集內容、數據維度(采集設備/工具)以及研究潛力(識別率)等方面,通過表5可以清晰地了解到數據集的關鍵信息。分析近5年的開源數據集可以看出:1)大部分數據集集中于人體活動識別方向(多人運動可依據同一動作開展身份識別研究),且存在內容高度同質化的問題,而在室內定位、健康檢測、人群計數等方向的開源數據集較少,這與活動識別在CSI無線感知研究中占比較多有關;2)大部分數據集沒有提供實驗人員詳細的生理信息,不利于開展與人體生理特征相關的研究分析,這大大限制了數據集的可用性;3)有4篇文獻僅是對數據集內容進行描述,沒有進一步通過實驗證明數據集的研究潛力,可能會影響研究人員的選擇;4)數據采集設備/工具逐漸由僅可采集較低數據維度的Linux 802.11n CSI Tool轉向可采集較高數據維度的Atheros CSI Tool、Nexmon CSI Extractor等工具,學者們逐漸認識到高維度數據的優勢。

表5 近5年的開源數據集

5 目前的局限與挑戰

(1)多動作信號堆疊

由于粗粒度動作的幅度遠大于細粒度動作,CSI無線感知無法同時識別多種動作,因此在相關實驗中常要求受試者在同一時段內僅保持一種動作,特別是在唇語識別、健康檢測等細粒度感知識別中要求全身保持靜止。然而在現實中,人們通常不會僅做一種動作,例如在行走的過程中交談、在奔跑的同時揮手等。室內有多人同時做動作時,同樣也會無法識別具體動作。因此,如何分離包含多種動作的信號以實現識別具體動作具有極大的挑戰性,這同時也是CSI無線感知由實驗室轉向現實應用不可或缺的技術需求。

(2)設備時鐘同步困難

國際規定的秒長是依據鍶、銫、銣等堿金屬原子共振頻率標準計算得出的原子秒長,誤差極小,但日常生活中使用的計算機、路由器等商用設備由于存在設計缺陷、硬件老化以及系統錯誤等方面的問題,即使同一品牌、同一批次生產的設備也會存在時鐘不同步問題,甚至出現肉眼可見誤差。而本文第2章列出的9種CSI數據采集設備/工具或多或少需要計算機、路由器等商用設備,時鐘不同步會致使CSI相位產生隨機偏差以及使基于信號傳播時間的CSI測距定位產生較大誤差。

(3)受試者的位置朝向

眾多實驗研究已證明,當受試者處于收發設備間的不同位置以及身體朝向不同時,做相同動作會對WiFi信號路徑產生不同影響,進而采集到的CSI幅值和相位均會有較大差異,而這種差異會影響到CSI無線感知的正確判別。因此為實現最大程度的正確感知,實驗多要求受試者位于LOS中線面向信號發射設備或在設備側邊面向LOS中線方向,這顯然不符合實際使用情況。

(4)過度依賴訓練環境

CSI可以記錄信號多徑傳播中的反射、散射等關鍵信息,因此CSI無線感知是建立在具體環境上的無線信號感知,對不同環境的遷移能力較差。若想將感知系統同時應用于多種室內環境,需將不同環境采集的數據導入擬合模型,然而多種環境下的數據采集過程費時費力,并且在系統應用場景擴大的同時模型擬合程度也會下降進而影響識別精度。雖然有研究者自CSI中提取多普勒頻移用來減弱環境的影響,但擴展場景的感知效果仍要弱于訓練場景。

(5)CSI的隱私與安全

WiFi是開放式無線網絡,在已知WiFi信號的IP地址、信道等關鍵信息的情況下,任何人都可監控其中的CSI,進而觸犯隱私問題。目前熱門的CSI加密研究方向有:1)隱蔽信號信道;2)加入人工混淆信息。但由于WiFi商用網卡面向民用,設計高度集成可二次開發能力有限,且缺乏FIR濾波器等,而SDR設備雖自主化程度高但成本高昂,不利于推廣及大規模部署,因此CSI的隱私與安全隱患仍然是亟待解決的問題。

(6)開源數據集較少

正如本文第4章所述,CSI無線感知的開源數據集數量遠少于計算機視覺等其他研究領域,且存在類型過于集中(多為人體活動識別)、內容同質化嚴重(內容高度相似)、人群普適性不強(受試者多為20～30歲的青年人)以及信息未能完全給定(內容大都僅進行文字描述易引發多義理解)等多方面的問題,制約著CSI無線感知的良性發展。

6 總結與展望

隨著無線通信技術及物聯網的發展,基于WiFi信號中CSI的無線感知已在室內定位、活動識別等多種應用方向取得較多成果,具有廣闊的研究前景與應用價值。本文對CSI無線感知的數據獲取及應用進行綜述,介紹了目前9種數據采集設備/工具,系統性地分析了6種CSI無線感知應用方向的研究現狀,并統計了近5年來的16個開源數據集,旨在通過本文讓初學者和研究人員快速了解CSI無線感知數據獲取及應用的研究現狀,為相關研究應用提供一定的支撐。

新興的CSI無線感知發展前景十分廣闊,但與成熟落地應用仍有較大距離,仍需許多技術突破,本文對CSI無線感知未來的發展作出以下幾點展望:

(1)更新WiFi標準的CSI采集工具

自1997年IEEE首次提出802.11協議26年以來,WiFi迅猛發展,目前已超40余個協議被正式認證。在WiFi6/6E路由器尚未完全普及的現在,華碩、英特爾等部分商家已開售WiFi7商用路由器,WiFi7相比于WiFi6/6E具有更高數據傳輸速率、更低時延和更強穩定性。WiFi7采用802.11be標準,支持2.4 GHz、5 GHz、6 GHz 3種頻段,并且在6 GHz頻段下最大可支持320 MHz帶寬的數據傳輸,在非OFDMA情況下的有效子載波最多可達3 984個,這意味著具有更強的感知能力。目前新一代WiFi8標準已經進入預研階段,WiFi8考慮融合45 GHz和60 GHz毫米波頻段以及支持多AP協作,毫無疑問會大幅增強WiFi CSI的感知能力。相信在不久的將來,會出現基于WiFi7標準乃至更新WiFi標準的CSI采集工具。

(2)單設備的雙WiFi連接能力

目前大多數手機具有雙頻WiFi功能,可以搜索連接2.4 GHz或5 GHz頻段的WiFi信號,由于2.4 GHz 穿透能力強、5 GHz數據傳輸速度快,因此部分手機廠商研發出了基于實時同步雙頻(real simultaneous dual band,RSDB)技術的雙WiFi加速功能,可使手機同時連接2.4 GHz與5 GHz頻段的WiFi信號。雙WiFi加速功能可以支持任意2.4 GHz+5 GHz的搭配,既可同時連接單一路由器的兩個頻段,也可同時連接兩種不同路由器的兩個頻段。

WiFi7相比于以往標準,最大的更新是多鏈路聚合(multi-link operation,MLO)功能,裝有WiFi7網卡的終端可同時連接WiFi7路由器發出的兩個WiFi信號。與手機雙WiFi加速功能不同的是,手機雙WiFi加速的實質是調用兩個WiFi模塊分別連接,會有兩個IP地址,而MLO在邏輯上仍是單網卡,僅會顯示一個IP地址,并且MLO可支持更多頻段信號的搭配鏈接,甚至可以是5 GHz+6 GHz。

未來可利用單個終端連接兩種互不干擾頻段的WiFi信號互補用于CSI無線感知研究,如CSI室內主動指紋定位等,將會進一步提升感知能力。

(3)多源數據融合增強感知

多傳感器數據融合相比于單一傳感器具有識別精度更高、魯棒性更強以及應用范圍更廣等優勢。CSI無線感知是功耗低、全天候、信號覆蓋范圍廣的非接觸感知,可與其他傳感器結合擴展感知的精度、深度與廣度。例如,將CSI與智能手機的磁力計、加速度計等眾多傳感器相結合,用于高精度的室內動態定位;將CSI與智能家居相結合,可實現自動化、定制化、多樣化的室內舒適居住環境。

混合現實(mixed reality,MR)是虛擬現實(virtual reality,VR)與增強現實(augmented reality,AR)的結合,虛擬模型不再是簡單疊加在現實中,而是可通過指令進行交互。微軟發布的MR設備HoloLens2甚至可以雙手無需設備而隨意操縱全息影像,但目前仍存在一些問題,例如需要大幅度的手部動作才能有效識別、存在手勢指令間的誤判等情況。預研階段的WiFi8標準正計劃融合45 GHz和60 GHz的毫米波頻段,無疑會大大增強CSI無線感知能力,期待未來可將高精度的無線信號感知融入到MR設備以實現輔助增強混合現實交互。

(4)CSI與智能體結合的智能感知

智能體是能通過傳感器、執行器與周圍環境進行交互并具有思考能力的實體,具有自治性、反應性、主動性、社會性和進化性5種基本特性。將CSI與智能體結合后,CSI無線感知將具有自動識別、自我完善、自主學習等能力,會有更為廣闊的研究應用前景。以自主學習為例,當系統推廣至新環境、新用戶時,無需人工手動進行數據采集、標注,僅需用戶在新環境中運動一段時間,系統即可依據自動采集的數據與預先設定的數據庫進行對比分析,在標注相似特征歸類的同時記錄學習不同環境、不同個體間存在的差異,快速應用至新環境、新用戶。

(5)更加多元應用場景下的復合感知

受限于CSI當前的感知能力及技術水平,現有研究多為在室內生活場景下的單應用類型感知。隨著通信技術及物聯網的進一步發展,未來CSI無線感知能力勢必會大大增強,進而可以在更加多元的應用場景下實現多功能復合感知。例如,在監控指定區域時,當感知有人員行為異常,存在偷盜、恐怖襲擊等犯罪行為時,記錄其身份特征并實時監控活動位置,自動向警方報警以制止進一步實施犯罪行為,切實保護人民生命財產安全;在城市巷戰戰略攻堅時,依靠感知方式隱蔽、墻體穿透力強的無線信號感知,可在敵方無法察覺的情況下,感知敵方戰術手勢或對話、人員數量和分布位置等關鍵信息,破解敵方的戰術,極大減少我方傷亡;在礦難、地震、火災等災害發生后,依靠無線信號感知探尋受災人員位置、數量及生理特征等信息,用以支持制定營救計劃,把握災后救援黃金72小時。