QGesture: quantifying gesture distance and direction with wifi signals
本文主要介紹利用CSI來測量和量化估計手勢移動的距離和方向。換句話說,就是手勢移動了多遠,來哪個方向移動。這是很細粒度的估計。
具體應用: 遊戲系統中,通過手勢調節聲音、選擇遊戲等。這個時候需要通過距離和方向來量化手勢,因此需要估計手勢引起的距離和方向。
解決方法:
1.相位校準演算法移除CSI測量中的相位噪音
2.提出了LEVD演算法估計動態環境產生的影響並且把這個影響移除。
效果:
1.移動距離估計平均精度為3釐米;在一維層面上,95%精度能夠偵測到移動方向
2.在二維層面上,方向誤差15度,移動距離3.7釐米
**********************************************************************************************************************************************
四個關鍵性的挑戰:
1. 重構CSI測量的相位,即去掉CFO和SFO的影響,由於裝置的缺陷導致CFO和SFO。(CFO:carrier frequency offset; SFO: sampling frequency offsets)
解決方法:分析不同天線對的相位,設計相位矯正演算法,估計出移動行為引起的真實相位,進而確定移動方向。
2.分離手勢產生的變化與身體其它部分產生的變化。具體來說就是手勢(手臂)與軀幹部分對訊號產生的不同頻率訊號,該如何區分。
解決方法:找到手勢引起的訊號變化的頻率, 根據此提出LEVD演算法,進而消除動態環境的影響
3.區分手勢與日常動作
設定了一個preambles,使用一個具有獨特特點的簡單動作作為preambles 來表示手勢的開始。識別preamble的精度為92.5%,誤判率為3.2%
4.容忍任意角度的移動(accommodate arbitrary pushing angles
)
********************************************************************************************************************************************
相關工作:
簡單分為兩大類:基於RF的識別/跟蹤;非RF的識別/跟蹤
然而根據調研可知,基於RF的識別/跟蹤可分為:使用COTS hardware,使用特殊裝置(specialized devices)
1.COTS hardware 識別/跟蹤
Wikey, WiFinger, WiGest這三個經典工作利用RSSI, CSI來識別細粒度變化。共性:識別的細粒度變化都是提前設定的細粒度行為,並沒有考慮移動的距離和方向。
WiDir使用CSI來估計身體移動的方向,例如walking,誤差大概在10度左右;
WiDraw 使用AOA獲得5釐米的跟蹤精度。但是基於AOA的方法存在一個距離限制(2feet=0.6米),因此,該方法不能用於遠端遙控的人機介面應用。
2.Specialized devices識別/跟蹤
這裡的specialized devices是指:USRP, WARP, FMCW
WiSee使用USRP識別和分類9個手勢動作來控制用電器例如檯燈或者電視機的開關等。
WiTrack使用FMCW跟蹤一個人或者多個人行為,甚至實現隔牆跟蹤也能取得很好的效果。
(While these system provided valuable insights on the dynamic of the wireless signal, tracking with the coarse-grained CSI measurements requires a different set of signal processing algorithms)
3.非RF的識別/跟蹤
非RF的識別/跟蹤形式:計算機視覺、穿戴裝置、聲波。這是三種比較常見的形式。
**基於視覺的手勢識別:攝像頭或者紅外感測器
***在1米內,通過深度資訊估計距離精度達到1毫米;
***在5米內,精度達到幾釐米級別
限制:
***viewing angle 視角
***lighting conditions光線
***privacy concerns隱私保護
**基於聲波的跟蹤
***聲波可以估計移動距離,也可以估計速度
***手持裝置,基於聲波的距離測量精度為幾釐米級別;
***device-free 的估計,則需要使用doppler effect
總結:目前細粒度跟蹤解決方法只能工作在50釐米的近距離環境下。(However, our long-range WiFi gesture tracking system needs to handle the phase noise and interferences from nearby movements which can be ignored in short-range sound-based systems)
*********************************************************************************************************************************************
系統模型
pathA是靜態部分
pathB是動態部分
因此,CFR如下表示:
這個細節部分說的比較清晰。路徑變化與手臂移動距離之間的比率即為a,這個設定比較有意思。
以上推理出的公式都是在理想情況下滿足。
如果把我們收集到的資料也應用到這個理論模型,那麼就需要對收集到的資料(CSI振幅和相位)去噪。
CSI測量值包含三類噪音,其兩種是相位噪音,後一種是振幅噪音。(描述比較詳細,可以細緻的閱讀)
針對噪音的型別,去噪也分為兩步:相位校準和振幅校準
*相位校準
*振幅校準:oversampling(2500 samples per second)+low pass moving average filter with window size of 80 samples
******************************************************************************************************************************************
系統設計(system design)
LEVD(Local Extreme Value Detection Algorithm)移除靜態信後部分,然後利用相位-距離關係估計距離和方向。(具體細節可以閱讀這篇文獻。)
Measuring movement distance and direction(測量移動距離和方向)
PCI:principle component identification
針對一個子載波,選擇一個對手臂移動最敏感或者相位變化最大的那個子載波作為物件,偵測移動方向。
PCI演算法能夠保留CSI相位資訊,進而能夠偵測移動的方向。當移動非常靠近收發裝置時,PCI的效果依然很好。
PCA:principle component analysis
針對所有子載波,振幅。選擇第二大主成分並利用hilbert transform技術從振幅層面上覆原相位資訊,最後利用這個復原的相位資訊來估計移動距離。
手臂距離收發裝置1.5米遠時,PCA效果更好。PCA具有放大細微變化的作用。
***********************************************************************************************************************
limitations:
*preamble也可以使用其他動作表示,必須做前導動作才可以控制用電器,這很麻煩。目前還無法做到沒有前導動作就可以直接控制用電器。
*多人做前導動作,則無法識別。
*如果周圍存在大幅度動態變化的行為,則該應用效果會大打折扣