新兴的Wi-Fi传感技术有望为各种嵌入式系统和边缘系统带来巨大好处。理论上，光是使用Wi-Fi接口在正常操作下所产生的无线电信号，Wi-Fi传感技术就可以让嵌入式设备检测到人员的存在、估算他们的运动及其大概位置，甚至感知姿态和细微的运动，例如呼吸和心跳等。
智能家居、娱乐、监控和安全系统都将因这种能力而受益。例如，汽车中的小型传感器可以检测后座乘客的存在——很快地，这将会成为新型乘用车的必备条件。它甚至能够检测到孩子裹在毯子里的呼吸声，而不需要在绝对的视线(LoS)范围内。或者，家庭中的低成本无线监视器可在室内或穿墙检测到有人跌倒，这可以说是家庭护理情况下的救生员。
图1：Wi-Fi传感可以在任何支持Wi-Fi的设备上执行，并在功耗和处理性能之间取得适当的平衡。(来源：Synaptics)
不久之前，这种传感技术还只能通过被动的射频(RF)接收器，依赖附近Wi-Fi接入点(AP)的处理能力来实现。现在，它已经可以在每台支持Wi-Fi的终端设备上进行了。本文将进一步探讨如何把理论转化为实际。
Wi-Fi传感的优点在于它使用既有的资源：Wi-Fi设备用于通信的RF信号。原则上，Wi-Fi接收设备可以在接收到这些RF信号时检测其变化，并根据这些变化推断接收器周围区域中人员的存在、运动及其位置。
为此，早期尝试使用Wi-Fi接口的接收信号强度指示(RSSI)，这主要来自接口定期产生的数字，用于指示接收信号的平均强度。其原理与被动红外(IR)运动检测器将IR强度的变化解释为传感器附近的运动大致相同，这些Wi-Fi传感器同样将RSSI值的变化解释为接收器附近物体的出现或运动。
例如，如果有人在接收器和接入点的发射器之间行走，阻挡了了信号，或者，路过的人也可能改变到达接收器的多径组合。
在现实世界中，即使附近没有人，RSSI也可能不稳定。然而，要将这些元素——包括噪声、发射器增益变化以及其他许多来源的影响，与一个人类的实际外观区分开来，有时可能极具挑战性。
这促使研究人员转而寻求更丰富、更新更频繁以及更稳定的数据流。随着多天线和多种子载波频率的出现，发射器和接收器需要比RSSI更多的信息，才能优化天线的使用以及分配子载波。研究人员的解决方案是利用802.11n标准中的信道状态信息(CSI)，所有兼容的接收器应该都能提供该信息，尽管准确性可能有所不同。
图2：Wi-Fi SoC可用于分析CSI，了解信号传播信道中的细微变化，从而检测存在、运动和姿态。(来源：Synaptics)
每次启动子载波时，接收器都会报告CSI。它本质上是一个复数矩阵，每个元素都传达一种发射和接收天线组合的幅度和相位。支持三根发射(Tx)天线、两根接收(Rx)天线的信道即成为一个3×2的天线阵列。接收器为每个子载波的启动产生一个新的阵列。因此，整体而言，接收器会为每个活动的子载波维持一个矩阵。
CSI捕获的信息量远远高于RSSI，包括每个路径和频率的衰减和相移。原则上，所有的数据都包含有关发射器和接收器周围环境的大量信息。在实践中，许多技术论文都着重于探索如何通过分析CSI的变化，准确推断人类测试对象的存在、位置、运动和姿态。
任何兼容的Wi-Fi接口应该都能够产生CSI数据流。那部分算是很容易的。然而，传感器系统的工作在于处理数据并从中做出推断。按照视频图像处理的惯例，这一过程通常分为三个阶段：数据准备、特征提取和分类。
第一个挑战是数据准备。虽然CSI比RSSI更稳定，但它仍然存在噪声，这主要是因为附近的发射器干扰。其诀窍是消除噪声，但又不至于除去下一阶段提取特征所需要的细微幅度或相位变化。为了做到这一点，将取决于算法的提取、最后的分类算法以及所传感的内容。
有些数据准备算法可能只是将CSI数据集中至某一时间段、剔除异常值，并寻找振幅的变化。其他的算法可能会尝试提取并放大子载波上相位关系中难以捉摸的变化。因此，数据的准备可以是简单的时间序列过滤器、要求严格的统计算法等任何内容。
在此过程的下一阶段，将分析整理后的数据流以提取特征。这个过程在某种程度上类似于视觉处理中的特征提取。实际上，情况却截然不同。例如，进行视觉处理时可以对像素使用简单的数值计算，以识别图像的边缘和表面，然后推断出被边缘包围的表面是某一个物体。
但Wi-Fi传感器无法处理图像。他们取得的幅度和相位数据与房间中对象的形状之间并没有任何明显的关联。Wi-Fi传感器必须提取的特征并不是物体的图像，而是数据流中的异常情况，这些异常既持续不断又有某种相关性，足以显示环境的重大变化。
因此，提取算法并不会简单地操纵像素，而是会执行复杂的统计分析。提取阶段的输出将以简化方式呈现CSI数据，仅显示算法所找到数据重要特征的异常值。
最后一个阶段是分类。这是Wi-Fi传感器试图解释提取阶段报告的异常之处。这种解释途径可能采用一种简单的二元决策：现在室内有人吗？这个人是站着还是坐着？他们跌倒了吗？
或者可能是更定量的评估：这个人在哪里？它们的速度向量是多少？或者也可能几乎是一个定性的判断：这个人是否做出了可识别的姿态？他们有呼吸吗？
决策的性质将决定分类算法。通常，站在房间里的人与CSI数据的最终变化之间并没有什么明显可预测的关联性。因此，开发人员必须从测试用例中收集实际的CSI数据，然后构建统计模型或参考模板(通常称为指纹)。然后，分类器可以使用这些模型或模板，以最有效地方式匹配提取器中的特征和已知情况。
另一种方法是机器学习(ML)。开发人员可以输入所提取的特征并校正这些特征的分类至支持向量机或深度学习网络，再进行模型训练，以便正确地分类特征的抽象模式。最近的一些论文显示，这可能是最强大的分类方法，某些分类问题的准确率甚至达到了90%～100%。
实现嵌入式Wi-Fi传感设备的前端非常简单。所需要的只是一个符合802.11n标准的接口，即可提供准确的CSI数据。后端则较具挑战性，因为它需要在功耗和功能之间进行权衡与折衷。
针对数据准备阶段，简单的过滤可能会在一个较小的CPU核心范围内。毕竟，只有当子载波被启动时，才能实现较小的矩阵。更复杂的统计算法将会需要低功耗DSP核心。特征提取所使用的统计技术也可能需要DSP的强大功能和效率。
分类又是另一回事。所有的方法都很容易在云端中实现，但对于独立的嵌入式传感器或必须限制其上传带宽才能节省能源的边缘设备来说，这几乎没什么帮助。
纵观算法的发展轨迹，从指纹匹配、隐马可夫模型(Hidden Markov model)，一直到支持向量机和深度学习网络，这一趋势显示出未来系统将越来越依赖于低功耗深度学习推理加速器核心。因此，未来的Wi-Fi传感SoC很可能包括CPU、DSP和推理加速器。
然而，随着这种架构变得更加明显，我们也看到了一个出乎意料的情况。相较于其他传感技术，Wi-Fi传感的优势在于其概念上的优雅简洁。但是，当我们揭露了将CSI中瞬息万变的信息转化为准确推断的真正复杂性时，另一些事情也变得清晰起来。
要成功地将Wi-Fi传感设备推向市场，需要与正确掌握低功耗IP、设计经验以及对现有和新兴算法深入了解的SoC开发商密切合作。选择开发合作伙伴可能是开发人员必须做出的众多决定中最重要的决定之一。
(原文刊登于EDN美国版，参考链接：How Wi-Fi sensing simplifies presence detection，由Susan Hong编译)
最前沿的电子设计资讯
