Wi-Fi 传感技术有望为各种嵌入式和边缘系统带来显着优势。仅使用 Wi-Fi 接口在正常操作下已生成的无线电信号，Wi-Fi 传感理论上可以使嵌入式设备检测人类的存在、估计他们的运动、估计他们的位置，甚至感知手势和微妙的动作，例如如呼吸和心跳。
智能家居、娱乐、安全和安全系统都可以从这种能力中受益。例如，汽车中的小型传感器可以检测后座乘客的存在，这很快就会成为新型乘用车的要求。它甚至可以检测到孩子在毯子下呼吸，因为它不需要视线。或者，家庭中的廉价无线监视器可以在房间内或穿过墙壁检测到有人跌倒，这在家庭护理情况下是救生员。
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。资料来源：Synaptics
直到近，这种传感只能通过无源 RF 接收器依赖附近 Wi-Fi 接入点的处理能力来完成。现在，它可以在每台支持 Wi-Fi 的终端设备上完成。本文探讨了设计师如何从理论转向交付的产品。
怎么运行的
Wi-Fi 传感的优点在于它使用已有的东西：Wi-Fi 设备用于通信的射频信号。原则上，Wi-Fi 接收设备可以在接收到这些 RF 信号时检测这些信号的变化，并根据这些变化推断接收器周围区域中人员的存在、运动和位置。
早期尝试使用 Wi-Fi 接口的接收信号强度指示器 (RSSI)，这是接口定期产生的一个数字，用于指示平均接收信号强度。与被动红外运动探测器将 IR 强度的变化解释为传感器附近的运动的方式大致相同，这些 Wi-Fi 传感器将 RSSI 值的变化解释为接收器附近物体的出现或运动。
例如，一个人可以通过在接收器和接入点的发射器之间行走来阻挡信号，或者路过的人可以改变到达接收器的多径混合。
在现实世界中，即使附近没有人，RSSI 也不稳定。将噪声、发射机增益变化和许多其他来源的影响与人的实际外观分开可能具有挑战性。
这促使研究人员转向更丰富、更新更频繁、更稳定的数据流。随着多天线和多种副载波频率的出现，发射机和接收机需要比 RSSI 更多的信息来优化天线使用和副载波分配。他们的解决方案是利用 802.11n 标准中的信道状态信息 (CSI)。任何兼容的接收器都应该可以提供该信息，但准确性可能会有所不同。
图 2 Wi-Fi 片上系统 (SoC) 可以分析 CSI，了解信号传播通道中的细微变化，从而检测存在、运动和手势。资料来源：Synaptics
每次激活子载波时，接收器都会 CSI。它本质上是一个复数矩阵，每个元素传达发射和接收天线的一种组合的幅度和相位。三个发射天线、两个接收天线的通道将是一个 3 x 2 阵列。接收器为每个子载波激活生成一个新矩阵。因此，总的来说，接收器为每个活动子载波维护一个矩阵。
CSI 捕获的信息远多于 RSSI，包括每个路径和频率的衰减和相移。原则上，所有这些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，技术论文已经报道了通过分析 CSI 的变化来准确推断人类测试对象的存在、位置、运动和手势。
捕获状态数据
任何兼容的 Wi-Fi 接口都应该生成 CSI 数据流。那部分很容易。然而，传感器系统的工作是处理数据并从中做出推断。按照视频图像处理的惯例，该过程通常分为三个阶段：数据准备、特征提取和分类。
个挑战是数据准备。虽然 CSI 比 RSSI 稳定得多，但它仍然有噪声，这主要是由于附近发射器的干扰。诀窍是消除噪声，而不平滑下一阶段提取特征所依赖的有时细微的幅度或相位变化。但如何做到这一点取决于提取算法，终取决于分类算法以及所感测的内容。
一些准备算法可能只是将 CSI 数据集中到时间段中，丢弃异常值，并寻找幅度的变化。其他人可能会尝试提取和放大子载波上相位关系中难以捉摸的变化。因此，数据准备可以是从简单的时间序列过滤器到要求严格的统计算法的任何内容。
分析与推断
管道的下一阶段将分析清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，视觉处理可以对像素使用简单的数值计算来识别图像中的边缘和表面，然后推断被边缘包围的表面是对象。
但 Wi-Fi 传感器无法处理图像。他们获得的幅度和相位数据流与房间中物体的形状没有任何明显的关系。Wi-Fi 传感器必须提取的特征不是物体的图像，而是数据流中的异常特征，这些异常特征既持久又相关，足以指示环境的重大变化。
因此，提取算法不会简单地操纵像素，而是会执行复杂的统计分析。提取阶段的输出将是 CSI 数据的简化表示，仅显示算法确定为数据重要特征的异常。
流程的阶段是分类。这是 Wi-Fi 传感器尝试解释提取阶段的异常情况的地方。解释可能是一个简单的二元决定：现在房间里有人吗？这个人是站着还是坐着？他们在跌倒吗？
或者可能是更定量的评估：这个人在哪里？它们的速度矢量是多少？或者这可能是一个几乎定性的判断：这个人是否做出了可识别的手势？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 数据的终变化之间没有明显的、可预测的联系。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来地匹配提取器的特征和已知情况。
另一种方法是机器学习 (ML)。开发人员可以将提取的特征和这些特征的正确分类输入支持向量机或深度学习网络，训练模型以正确分类特征的抽象模式。近的论文表明，这可能是强大的分类方法，据报道，某些分类问题的准确率达到 90% 到 100%。
Wi-Fi 传感实施
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 标准的接口来提供准确的 CSI 数据。后端更具挑战性，因为它需要在功耗和功能之间进行权衡。
对于数据准备阶段，简单的过滤可能在一个小的CPU核的范围内。毕竟，只有当子载波被激活时，小矩阵才会到达。但更复杂的统计算法将需要低功耗 DSP 内核。用于特征提取的统计技术也可能需要 DSP 的强大功能和效率。
分类是另一回事。所有的方法都很容易在云中实现，但这对于隔离的嵌入式传感器甚至是必须限制其上游带宽以节省能源的边缘设备来说几乎没有帮助。
纵观算法的发展轨迹，从指纹匹配到隐马尔可夫模型，再到支持向量机和深度学习网络，这一趋势表明未来系统将越来越依赖于低功耗深度学习推理加速器。因此，Wi-Fi 传感片上系统 (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，我们看到了一个讽刺。Wi-Fi 传感相对于其他传感技术的优势在于其优雅的概念简单性。但当我们揭示将 CSI 中瞬息万变的转变转化为准确推论的真正复杂性时，其他事情就变得清晰起来。
将成功的 Wi-Fi 传感设备推向市场需要与具有正确的低功耗 IP、设计经验以及对现有和新兴算法的深入了解的 SoC 开发人员密切合作。选择开发合作伙伴可能是开发人员必须做出的众多决策中重要的决策之一。
