韓雨彤 李航 朱光旭 陸彥輝

摘要：提出了一種基于WiFi的室內目標檢測與定位方法。采用連續(xù)多路徑干擾消除的方法為多維參數(shù)估計提供初始化值，對估計出的多維參數(shù)進行特征提取和分類，可以識別出室內有無目標以及目標的狀態(tài)。通過信道參數(shù)實現(xiàn)目標位置估計，并根據(jù)室內地標來校準位置。實驗結果表明，提出的定位算法平均誤差為0.825 2 m，可有效提高定位的準確度。

關鍵詞：信道狀態(tài)信息；多維參數(shù)估計；目標檢測；目標定位

Abstract： An indoor target detection and localization method based on WiFi is proposed. The method of continuous multi-path interference elimination is used to provide the initial value for multi-dimensional parameter estimation， and the feature extraction and classification of the estimated multi-dimensional parameters can identify whether there is a target in the room or not and the states of the target. The target lo？ cation is determined from the estimated channel parameters， and the location is calibrated according to indoor landmarks. Experimental re？ sults show that the average error of the proposed localization algorithm is 0.825 2 m， which can effectively improve the location accuracy.

Keywords： channel state information； multi-dimensional parameter estimation； target detection； target localization

室內定位服務是很多技術應用的基礎，包括虛擬現(xiàn)實、智能家居、導航等?；赪iFi的定位系統(tǒng)[1-2]因具有低成本、部署廣泛的優(yōu)點成為了一種熱門的定位技術。

根據(jù)采集信號的不同，基于WiFi的室內定位技術可分為基于接收信號強度（RSS）和基于信道狀態(tài)信息（CSI）[3]兩類方法。RSS作為一種粗粒度信息，難以提供準確可靠的信息用于定位。作為一種細粒度信息，CSI可以獲取更多的信息來提高定位精度。通過部署設備獲取信道狀態(tài)信息，系統(tǒng)根據(jù)CSI計算出到達角（AoA）、飛行時間（ToF）、多普勒頻移（DFS）等參數(shù)，進而可以通過算法確定目標的位置。

目前，有許多研究通過獲取CSI實現(xiàn)對人員的位置估計。WU等[4]提出了一種魯棒的WiFi無設備室內運動跟蹤系統(tǒng)，利用CSI的比值提取多普勒頻移，并通過組合最佳視圖以實現(xiàn)魯棒的軌跡重建。實驗表明，提出的方法平均跟蹤誤差小于2.5%。ALEJANDRO等[5]通過基于Nelder-Mead搜索的角度估計器和細粒度飛行時間測距系統(tǒng)實現(xiàn)了定位。實驗表明，即使在收發(fā)設備之間有障礙物遮擋的非視距場景下，該系統(tǒng)性能比當時最先進的定位系統(tǒng)仍高出2～3倍。YANG等[6]提出了一種基于二維多包矩陣束的WiFi定位方法。該方法聯(lián)合估計AoA和ToF，并且累積多個CSI數(shù)據(jù)包來提高參數(shù)估計精度。實驗表明，提出的方法可以實現(xiàn)0.42 m的定位精度。

上述幾種方法需要部署多個接入點（AP）或至少兩條鏈路來進行定位和跟蹤。在僅有一組收發(fā)設備部署的場景中，現(xiàn)有的一些研究工作大多利用CSI的多參數(shù)聯(lián)合對目標進行位置估計。QIAN等[7]提出了單鏈路的WiFi被動定位系統(tǒng)Widar2.0，該系統(tǒng)將CSI建模成關于幅度衰減、DFS、ToF、AoA的函數(shù)后進行多參數(shù)聯(lián)合估計，并利用圖匹配技術得到目標反射路徑的長度與目標的方位信息的最優(yōu)解。結果表明，Widar2.0實現(xiàn)了0.75 m的中值定位精度。JIN等[8]設計了一個多維參數(shù)估計器，通過優(yōu)化路徑組件的完整數(shù)據(jù)來細化路徑參數(shù)，并且提出了基于匈牙利卡爾曼濾波的跟蹤方法。實驗結果表明，所提出的系統(tǒng)在室內的平均定位誤差為0.82 m。LIU等[9]分別估計反射信號的ToF和AoA來定位目標，在典型的室內環(huán)境中該系統(tǒng)的中位數(shù)定位誤差可以達到0.75 m。

在實現(xiàn)多維參數(shù)估計的方法中，空間交替廣義最大化[10]（SAGE）是一種廣泛應用的方法。SAGE是期望最大化（EM）的擴展，它可通過迭代搜索的方式實現(xiàn)參數(shù)估計。然而，這種迭代算法受初始值影響較大，倘若初始值設置不恰當，將會產生計算復雜度高和局部最優(yōu)解的問題。Widar2.0采用全零初始化方法。這種初始化方法雖然較為簡單，但是通常需要更多的迭代次數(shù)才能達到收斂，并且無法保證達到全局最優(yōu)解。文獻[11]采用連續(xù)干擾消除作為初始化方法，但是這種方法的缺點是，每次估計的信號誤差會被不斷積累。文獻[12]采用三維多信號分類（MUSIC）的初始化方法。然而，三維MUSIC的譜峰搜索時間復雜度很高，并且難以分解出能量相近的反射路徑。另外，以上研究均沒有考慮是否存在室內目標以及目標的狀態(tài)，也沒有利用多維參數(shù)得到豐富的室內信息。

本文提出了一種基于WiFi的室內目標檢測與定位方法，不僅可以識別目標的狀態(tài)，還可以得到目標的位置信息。本文主要貢獻如下：（1）針對室內復雜環(huán)境的多維參數(shù)估計，提出了一種改進的參數(shù)初始化方法。該方法為SAGE提供初始值，實現(xiàn)了多維參數(shù)聯(lián)合估計。（2）在參數(shù)估計的基礎上，利用機器學習的方法對目標進行檢測，識別出室內有無目標以及目標的狀態(tài)（靜止或運動）。（3）在目標運動的狀態(tài)下，利用估計出的信道參數(shù)進行定位，并結合室內地標校準位置。

1系統(tǒng)模型

本文的目標是實現(xiàn)單鏈路下的目標被動檢測與跟蹤，系統(tǒng)模型如圖1所示。系統(tǒng)前端由一對收發(fā)設備組成，負責接收CSI數(shù)據(jù)。在收集到原始數(shù)據(jù)之后，系統(tǒng)首先進行信道參數(shù)估計，包括參數(shù)初始化和迭代估計。初始化可以給出信道參數(shù)的粗略估計，迭代估計可以得到信道參數(shù)的準確估計。之后系統(tǒng)利用估計的信道參數(shù)進行特征提取，并將其輸入到分類器中，以識別室內有無目標以及目標的狀態(tài)。最后系統(tǒng)將目標運動狀態(tài)下的多個時刻、多條路徑的參數(shù)進行路徑匹配，找到目標反射的關聯(lián)路徑，再用該條路徑的參數(shù)對目標進行定位，并使用地標校準位置。

由于室內環(huán)境的復雜性，發(fā)射器與接收器之間存在多條路徑信號，包括直射路徑信號、反射路徑信號和折射路徑信號。

為了求解上述似然估計問題，本文采用SAGE算法。該算法在每一次迭代時僅需要重新估計Θ的一個子集（其他分量的估計不變）。因此，我們可以將Θ的估計分為多個單獨參數(shù)的估計，依次優(yōu)化每條路徑的參數(shù)，進而降低計算的復雜度。

如果多徑路徑信號中包含兩個相似的信號，并且沒有先驗知識，那么該算法可能會存在局部極小值問題。因此該算法需要一個相對準確的初始值，否則會導致收斂速度慢或者存在局部極小值問題。

2.1初始化

準確的初始化值有利于SAGE算法后續(xù)的迭代過程。連續(xù)干擾消除是一種廣泛應用的初始化方法，但是連續(xù)干擾消除易造成誤差累積。為了減少誤差累積的次數(shù)，本文先采用連續(xù)多路徑干擾消除的方法為信道參數(shù)估計提供一個粗略估計，采用MUSIC獲取幾條路徑的參數(shù)，然后對信號進行重構，并從接收信號中減去重構的這幾條路徑信號。這樣可以減少連續(xù)干擾消除的次數(shù)，以此減小累計誤差。

3目標檢測

實現(xiàn)目標定位的前提是室內有目標存在。為了充分獲取室內信息，本文對室內目標進行檢測，以判斷室內是否存在目標以及目標的狀態(tài)是靜止還是運動。由于不同狀態(tài)下的反射路徑有所不同，多徑信道參數(shù)會發(fā)生變化，因此信道參數(shù)可以作為目標檢測的原始數(shù)據(jù)。在每種狀態(tài)（室內無人、目標靜止、目標運動）下分別采集CSI數(shù)據(jù)，可實現(xiàn)信道參數(shù)（AoA、ToF、DFS和衰減）的估計。然后我們以此來構建數(shù)據(jù)集。

為了保證每個類別特征維度的一致性，我們將多徑信道參數(shù)中前5條路徑中每個參數(shù)的均值、標準差和自相關函數(shù)作為特征，總共60維，并采用樸素貝葉斯、K最近鄰（KNN）、支持向量機（SVM）等多種分類器進行訓練。

4目標定位

在室內有人的情況下，我們可以利用信道參數(shù)來估計目標的位置。在本節(jié)中，我們首先找出目標運動對應的反射路徑，依據(jù)數(shù)學模型進行目標位置估計，然后利用室內地標校準位置，以此提高位置估計的準確性。

4.1路徑匹配

對CSI測量值進行信號參數(shù)估計之后，我們就可以得到多個時刻的多徑參數(shù)。然而，每個時刻的路徑參數(shù)是獨立的，要想實現(xiàn)目標的定位，需要先將所有時刻目標反射路徑的參數(shù)關聯(lián)匹配起來。本文采用基于圖的目標路徑選擇算法，構建了一段時間窗口內連續(xù)多個時刻的多路徑關聯(lián)網絡圖，如圖2所示。

4.2位置估計

理論上，目標路徑的飛行時間乘以光速可以得到目標路徑的相對距離。然而，飛行時間的分辨率低，會導致距離的波動較大，因此定位誤差也較大。多普勒頻移相當于路徑范圍的變化率，并且分辨率高。因此，我們可以將細粒度的多普勒頻移和飛行時間結合起來，以改進距離估計。例如，我們可采用卡爾曼平滑算法[7]，根據(jù)多普勒頻移估計的路徑范圍變化率來細化ToF估計的范圍。

在定位階段，我們使用目標反射路徑的到達角和距離來確定目標的位置。定位模型如圖3所示。

4.3位置校準

在室內環(huán)境中總會有一些位置固定的家具，若已知這些家具的位置，就可將其作為室內地標校準目標位置，以提高軌跡重建的準確性。

利用信道參數(shù)得到目標軌跡之后，先計算每個位置坐標與地標之間的歐氏距離，再將距離小于閾值的位置坐標用地標的坐標進行替換，以達到位置校準的目的。最后將整條軌跡經過滑動平均進行濾波，可得到平滑的目標軌跡。

5實驗結果與分析

我們使用配備有Intel 5300網卡的兩臺電腦進行實驗，并在電腦中安裝CSI TOOL以收集5 GHz WiFi信道的CSI信息，在作為發(fā)射器的電腦上配置1根發(fā)射天線，同時在作為接收器的電腦上配置3根接收天線。每秒鐘數(shù)據(jù)包傳輸個數(shù)為1 000。然后我們使用MATLAB來處理接收數(shù)據(jù)。

5.1目標檢測實驗評估

目標檢測結果包括3類：無人、目標靜止和目標運動。在這3種場景下，我們分別采集CSI數(shù)據(jù)以估計信道參數(shù)，并將估計到的前5條路徑的AoA、ToF、DFS和衰減幅度作為原始數(shù)據(jù)集，使用滑動窗口進行分段，同時設置50%的重疊，之后對數(shù)據(jù)集進行特征提取和訓練，并采用十折交叉驗證。表1為不同分類器的識別準確率，圖4為KNN分類器的混淆矩陣。

由表1可知，4種分類器的識別準確率均達到90%以上。其中，KNN分類器的識別準確率最高，達到了98.7%。由此可知，信道參數(shù)可以用于目標檢測并且檢測效果較好。由圖4可知，無人和目標靜止兩類情況有混淆的可能。原因是兩種狀態(tài)下室內目標均處于靜止狀態(tài)，并且目標的存在只影響部分反射路徑。兩種狀態(tài)下的信道參數(shù)有一定的相似性。相對而言，目標運動的情況可以被準確地識別出來。

5.2定位實驗評估

我們在真實室內場景中采集數(shù)據(jù)，并對提出的參數(shù)估計和地標校準進行驗證和評估。這里我們選擇一個5 m×6 m的會議室進行實驗，在場景中部署了一對收發(fā)設備。設備部署位置如圖5所示。

為了證明本文所提方法的性能，我們將該算法與Widar2.0進行比較。圖6為在不同路線采用不同算法實現(xiàn)軌跡恢復的結果。圖7展示了不同方法的定位性能對比。從圖中可以看出，采用本文提出的參數(shù)估計方法實現(xiàn)的定位平均誤差為0.873 1 m。經過地標校準后，平均誤差將降到0.825 2 m。兩種方法90%的定位誤差都小于1.5 m。而Widar2.0的平均定位誤差為1.018 3 m?？梢钥闯?，本文提出的算法優(yōu)于Wi‐dar2.0。Widar2.0的參數(shù)估計采用全零初始化，與真實值有較大的誤差，并且未考慮噪聲影響，導致跟蹤時的定位誤差較大。綜上所述，本文提出的參數(shù)估計方法可以提高定位的準確度，并且地標對定位精度的提升也有一定的作用。

6結束語

本文中，我們提出了一種在單鏈路系統(tǒng)中實現(xiàn)被動目標檢測與定位的方法，首先采用連續(xù)多路徑干擾消除完成參數(shù)初始化，然后利用信道參數(shù)識別室內有無目標以及目標的狀態(tài)，在定位階段結合地標來校準位置，提高了定位的準確性。在典型室內環(huán)境中進行的實驗表明，該方法的平均定位誤差為0.825 2 m，與Widar2.0算法相比，定位精度有所提升。然而本文僅實現(xiàn)了單目標的定位，未來將考慮實現(xiàn)多目標的準確定位。

參考文獻

[1] ZAFARI F， GKELIAS A， LEUNG K K. A survey of indoor localization systems and technologies [J]. IEEE communications surveys & tutorials， 2019， 21（3）： 2568-2599. DOI： 10.1109/COMST.2019.2911558

[2] XIAO J， ZHOU Z， YI Y， et al. A survey on wireless indoor localization from the device perspective [J]. ACM computing surveys （CSUR）， 2016， 49（2）： 1-31. DOI：10.1145/2933232

[3] MA Y S， ZHOU G， WANG S Q. WiFi sensing with channel state information[J]. ACM computing surveys， 2020， 52（3）： 1-36. DOI： 10.1145/3310194

[4] WU D， ZENG Y W， GAO R Y， et al. WiTraj： robust indoor motion tracking with WiFi signals [J]. IEEE transactions on mobile computing， 2021， 99： 1. DOI： 10.1109/TMC.2021.3133114

[5] PIZARRO A B， BELTRáN J P， COMINELLI M， et al. Accurate ubiquitous localization with off-the-shelf IEEE 802.11ac devices [C]//MobiSys 21： Proceedings of the 19th Annual International Conference on Mobile Systems， Applications， and Services. 2021： 241-254. DOI： 10.1145/ 3458864.3468850

[6] YANG R M， YANG X L， WANG J C， et al. Decimeter level indoor localization using WiFi channel state information [J]. IEEE sensors journal， 2022， 22（6）： 4940-4950. DOI： 10.1109/JSEN.2021.3067144

[7] QIAN K， WU C S， ZHANG Y， et al. Widar2.0： passive human tracking with a single Wi-Fi link [C]//Proceedings of the 16th Annual International Conference on Mobile Systems， Applications， and Services. ACM， 2018： 350-361. DOI： 10.1145/3210240.3210314

[8] JIN Y， TIAN Z S， ZHOU M， et al. MuTrack： multiparameter based indoor passive tracking system using commodity WiFi [C]//Proceedings of ICC 2020 - 2020 IEEE International Conference on Communications. IEEE， 2020： 1-6. DOI： 10.1109/ICC40277.2020.9148887

[9] LIU X Y， WANG Y， ZHOU M， et al. Indoor passive localization with channel state information using a single access point [J]. IEEE sensors journal， 2021， 21（15）： 17085-17095. DOI： 10.1109/JSEN.2021.3081563

[10] FLEURY B H， TSCHUDIN M， HEDDERGOTT R， et al. Channel parameter estimation in mobile radio environments using the SAGE algorithm [J]. IEEE journal on selected areas in communications， 1999， 17（3）： 434-450. DOI： 10.1109/49.753729

[11] XIE Y X， XIONG J， LI M， et al. mD-Track： leveraging multi-dimensionality for passive indoor Wi-Fi tracking [C]//The 25th Annual International Conference on Mobile Computing and Networking. ACM， 2019： 1-16. DOI：10.1145/3300061.3300133

[12] CHEN Z， ZHU G R， WANG S L， et al. M3： multipath assisted Wi-Fi localization with a single access point [J]. IEEE transactions on mobile computing， 2021， 20（2）： 588-602. DOI： 10.1109/TMC.2019.2950315

[13] KOTARU M， JOSHI K， BHARADIA D， et al. SpotFi： decimeter level localization using WiFi [C]// Proceedings of the 2015 ACM Conference on Special Interest Group on Data Communication. ACM， 2015： 269-282. DOI： 10.1145/2785956.2787487

作者簡介

韓雨彤，鄭州大學在讀碩士研究生；主要研究領域為無線通信及智能手機傳感器的應用。

李航，深圳市大數(shù)據(jù)研究院副研究員、高級經理；主要研究領域為無線通信、物聯(lián)網和機器學習的應用；主持和參與基金項目5項；已發(fā)表論文40余篇。

朱光旭，深圳市大數(shù)據(jù)研究院副研究員；主要從事無線通信理論研究，包括智能通信、5G/B5G通信技術等；先后獲國家自然科學基金、廣東省面上基金資助，并作為骨干成員參與國家重點研發(fā)計劃、廣東省重點領域項目多項；曾獲香港政府獎學金資助，獲國際會議（WCSP）最佳論文獎；發(fā)表論文50余篇。

陸彥輝，鄭州大學產業(yè)技術研究院教授；主要研究領域為寬帶無線通信理論與技術、大規(guī)模網絡優(yōu)化等；先后主持和參加基金項目10余項，獲科技成果獎1項；已發(fā)表論文50余篇，獲得授權發(fā)明專利7項、軟件著作權3項。