Pure Theory

AI Algorithms

Wireless Localization

基于延迟匹配的 WiFi 多普勒速度估计与感知

[!note] Paper Details

• Publication Venue: 第十九届全国电波传播年会
• **Authors:**​ Yubin Zhao (Sun Yat-sen University), Zhuolong Chen (Sun Yat-sen University), Xiaofan Li (Jinan University, Corresponding Author)
• **Received:**​ August 31, 2025

利用 WiFi 信号（CSI），不通过摄像头，实现对他人的被动定位、轨迹追踪 以及 动作识别 (跌倒、走路、跳跃等)

Abstract：无线感知能够实现对人体姿态、动作和位置的非接触式追踪，在智慧养老、智慧医疗和虚拟现实等领域具有广泛应用 。然而，该技术目前面临环境泛化能力有限、缺乏可解释性以及无法进行多任务识别等问题 。本项目从无线感知的基本物理原理入手，通过开发一种基于模型的信号延迟匹配（Latency Matching） 处理方法来估计多普勒速度，从而实现对室内空间活动人体的速度估计和轨迹追踪，进而完成对人体行为的多任务感知 。本文所提出的方法具有环境适应性强、可解释性好以及轻量化的特点 。经过实验验证，我们实现了位置误差在1米以内的被动定位，该方法不受环境变化和噪声的影响，能够有效地追踪目标 。

Method Motivation

在物联网（IoT）和6G通信感知一体化的背景下 ，作者希望利用无处不在的WiFi信号（特别是CSI，信道状态信息）来实现一种低成本、非接触、且能同时兼顾“定位追踪”与“行为识别” 的多任务感知系统。

作者试图找到一种既能像传统信号处理那样具备物理可解释性，又能像现代AI方法那样处理复杂任务的中间路线

Limitations of Existing Methods

对比维度	基于模型的方法（传统信号处理）	基于深度学习的方法
核心原理	从无线感知的物理原理（如多普勒效应）出发，采用传统信号处理技术进行参量估计。	利用深度神经网络从海量数据中自动学习特征与模式。
鲁棒性/泛化能力	容易受到环境噪声和多径效应的干扰，环境适应性有限。	需要海量数据训练，对环境变化敏感，泛化性能不佳。
智能化与多任务能力	难以实现复杂的多任务感知（如同时进行定位和动作分类）。	能够处理复杂模式，具备实现多任务识别的潜力。
可解释性	基于明确的物理模型，处理过程清晰，可解释性强	难以理解模型具体学习到的特征，决策过程不透明。
计算与数据依赖	计算可能存在冗余	模型性能严重依赖训练数据的规模和质量。

Research Insight

人体运动产生的动态分量在复平面上的旋转效应，会导致CSI的幅度和相位极值发生变化，且这种变化与多普勒速度之间存在明确的“延迟关系”。

• 延迟匹配：相邻的幅度极值（最大值与最小值）之间的时间延迟，物理上对应着动态信号在复平面上旋转特定弧度所需的时间。因此，只要能准确捕捉这个时间差，就能反推出旋转速度（即多普勒速度），而无需复杂的参数拟合 。

• 抗噪性：相比于直接分析受干扰严重的幅度绝对值，分析“时间延迟”（极值点出现的时间差）对环境噪声和信号衰减具有天然的更强鲁棒性 。

Method Design

Pipeline

该系统（ RaySight ）的处理流程是一个典型的“感知-清洗-估计”链路。其核心在于通过分析信号的微观时间特征来反推宏观运动状态。

输入 (Input)

Wi-Fi链路的信道状态信息（CSI, Channel State Information），包含了不同子载波上的幅度和相位信息，反映了信号在空间传播中的散射和反射情况。

处理过程 (Processing)

预处理：时间趋势分数 (TTS) 去噪

原始CSI信号包含大量环境背景噪声，直接分析极值很不准确。

• 生成模板： 首先构建一个标准的正弦信号模板序列，相当于一个信号标尺。

• 相似度计算： 使用余弦相似度 ，计算原始CSI信号与这个标准正弦模板之间的相似程度。

• 结果转化： 将计算出的相似度分数进行平均，得到一个时间趋势分数（TTS） 序列。这个序列比原始信号更平滑，更能反映真实的信号波动趋势。

2. 特征提取：极值获取与优化

   • 初步检测： 在TTS序列（幅度和相位）中使用局部峰值检测技术，识别出所有的极大值和极小值点。

   • 阈值过滤： 设定阈值，剔除那些相似度分数过低（可能是噪声引起）的伪极值点 8。

   • 物理约束分组： 根据人体运动速度的物理限制，设定一个时间窗口阈值 $t_b$。在这个窗口内的极值点被视为同一组，只保留分数最高的一个，防止因信号抖动产生重复计数 9。

3. 核心算法：延迟匹配与歧义消除 (Latency Matching)

   • 稀疏匹配： 为了解决数据稀疏带来的歧义，算法计算“幅度极值”与“相位极值”之间的时间距离矩阵 1010。

   • 寻找最优配对： 在矩阵中寻找时间距离最小的点进行匹配。这一步的物理逻辑是：幅度和相位的变化是由同一个运动引起的，因此它们的变化节点在时间上应该是紧密关联（即存在固定延迟）的 11111111。

4. 状态估计：多普勒速度与方向计算

   • 时间戳合并与排序： 将处理后的极大值和极小值的时间戳合并并重新排序，形成一个有序的时间事件流 12。

   • 速度解算： 计算相邻的极大值和极小值之间的时间差（Time Lag）。利用物理模型公式（见下文），将这个时间差直接映射为多普勒速度 13。

   • 方向判定： 比较幅度极值和相位极值谁先出现（符号判定），以此判断目标是靠近还是远离（逆时针或顺时针旋转） 14。

输出 (Output):

• 多普勒速度序列： 一个连续的速度值序列，反映了目标的实时运动快慢 15。

• 下游任务结果： 基于速度序列，通过积分或分类算法，输出目标的**轨迹追踪（定位）和人体行为识别（如跌倒、行走）**结果 16161616。

---