[原創·論文閱讀]QGesture: Quantifying Gesture Distance and Direction with WiFi Signals

前言

本文推出了一個叫做QGesture的系統，在一維和二維部署場景下，它能對人的手勢的運動距離和方向進行測量。部署場景：

比如，人在房間中做出一個推的動作，系統會識別出csi資料的模式，進而調整音量大小。下圖是系統結構圖概覽：

模型構建

考慮下圖的一維部署情景，空間中有n條無線電磁波路徑。其中由於人的手向接收機（client）勻速運動而產生的路徑稱為動態分量，而其餘n-1條路徑稱為靜態分量。

相位-距離關係模型的構建：

靜態路徑的疊加結果是一個可看做常數的複數值。而動態路徑B由於人手的運動，其路徑每減少一個波長，相位便改變2pi。在複平面的表現則是，若只考慮動態分量，理想情況下應該是一個繞原點旋轉的訊號，疊加上靜態分量後，會成為一個有一定偏移量的旋轉訊號。結果如下：

另外可以發現，對於不同子載波，其靜態分量的大小是不同的。該圖可以簡單地用下列程式碼模擬：

x=2*pi*1/0.06;
t=0:0.1:10;
%static component
s=3*cos(x)-3i*sin(x);
%dynamic component
d=cos(0.4*t)-1i*sin(0.4*t); 
%channel state information
h=s+d; 
plot(d);hold on;
plot(h);
 

模擬結果如下：藍色訊號是隻考慮動態分量的訊號，橙色訊號是考慮了靜態分量的疊加訊號。

人手的移動距離d：

因此可以用相位改變數來估計移動距離。

降噪處理

csi的測量值包含以下幾種誤差：

相位：CFO、SFO/PBD；幅度：發射機功率的改變、環境噪聲

相位降噪方法：

1）移除CFO:對於該系統，使用2*3的MIMO，有6個天線對。注意到對於0號子載波相位，只包含CFO+人手移動的資訊，因此選取0號子載波可以移除SFO+PBD。然而，不同天線對上的靜態分量是不同的。任意選取其一作為參考CFO的話，可能會破壞我們需要的人手移動的資訊。因此選取具有最大靜態分量的天線對，可認為它是最合理的CFO參考值，幾乎不包含人手移動的相位。然後將其他天線對上的相位減去該參考CFO，就消除了CFO。

2）移除SFO/PBD：線性擬合。將不同子載波序號下的csi相位擬合出slope，然後用不同子載波的相位減去擬合出的方程。

幅度降噪方法：

使用低通移動平均濾波器降噪，可消去高頻噪聲，理論依據是人移動造成的頻率範圍在1~100Hz，具體分析見我的部落格[原創·論文閱讀]Gait Recognition Using WiFi Signals

系統設計

進行系統設計前，來看一下實際收到的csi值，這裡的csi值已經經過了降噪處理。

可以發現，1）圓心在移動，說明靜態分量在緩慢改變，並非常量；2）半徑在變化，說明動態分量的a（f，t）也在改變。

解釋如下：靜態分量是一系列靜態分量的疊加，有的靜態路徑是發射機經由人的軀幹、胳膊反射到了接收機。當人在做推的動作時，身體其他位置也在緩慢移動，造成了這部分靜態分量的改變。

半徑變化是由於人手的位置不同，該位置的無線能量也有不同。有鑑於此，設計方法來移除靜態分量。

移除靜態分量：

論文在這部分說的比較複雜，其實原理很簡單，尋找I或Q訊號的交替的極大極小值，將每一對極值的平均值移除即可。

如圖，有16個尖峰，則移動距離為16*2pi=32pi，應用公式

可得d=32*pi*5/(2*2*pi)=40cm,符合實際結果。

之後選取相位變化最敏感的子載波計算相位改變數。

2d 手勢追蹤：

A是發射機，B和C是接收機，則A、B和A、C可分別看做橢圓的兩個焦點。欲知人手位置D的座標（x，y），其表示式中含L1、L2、d1、d2項。在知道這四個引數後，x，y不難計算。

實際上，實驗者是以一個已知的角度（30度、45度等）運動，然後用計算出的座標對比groundtruth，並不滿足arbitrary direction的追蹤要求。

前導動作

前導動作的設計是為了啟用QGesure。選用punch和double punch。系統中預先訓練了檢測前導動作的二分類器。當檢測到目標前導動作時，系統啟動並開始追蹤使用者動作，之後可以完成控制音量等功能。

從上圖可以看出，實驗者首先推出一段距離（約為3~6個cycles），在短暫停頓後再次推出。訊號的特徵提取也是比較容易的。

evaluation和implementation無甚亮點，不再贅述。