چگونه سنجش Wi-Fi تشخیص حضور را ساده می کند

فناوری نوظهور سنجش Wi-Fi مزایای قابل توجهی را برای انواع سیستم های تعبیه شده و لبه ای نوید می دهد. خانه های هوشمند، سیستم های سرگرمی، امنیتی و ایمنی همگی می توانند از این قابلیت بهره مند شوند.

شکل 1 سنجش Wi-Fi را می توان بر روی هر دستگاه دارای Wi-Fi فعال با تعادل مناسب مصرف انرژی و عملکرد پردازش انجام داد. منبع: Synaptics

سازوکار

ظرافت حسگر Wi-Fi این است که از آنچه قبلاً وجود دارد استفاده می کند: سیگنال های RF که دستگاه های Wi-Fi برای برقراری ارتباط استفاده می کنند. در اصل، یک دستگاه دریافت کننده Wi-Fi می تواند تغییرات در سیگنال های RF را هنگام دریافت آنها تشخیص دهد و از تغییرات، حضور، حرکت و مکان یک انسان را در ناحیه اطراف گیرنده استنباط کند.

تلاش‌های اولیه برای انجام این کار از RSSI رابط Wi-Fi استفاده می‌کرد، عددی که به‌طور دوره‌ای توسط رابط تولید می‌شد تا میانگین قدرت سیگنال دریافتی را نشان دهد. تقریباً به همان روشی که یک آشکارساز حرکت مادون قرمز غیرفعال تغییر در شدت IR را به عنوان حرکت نزدیک حسگر خود تفسیر می کند، این حسگرهای Wi-Fi نیز تغییر در مقدار RSSI را به صورت ظاهر یا حرکت یک جسم در نزدیکی گیرنده تفسیر می کنند.

شکل 2 سیستم روی تراشه های Wi-Fi (SoC) می تواند CSI را برای تغییرات ظریف در کانالی که سیگنال از طریق آن منتشر می شود برای تشخیص حضور، حرکت و ژست ها تجزیه و تحلیل کند. منبع: Synaptics

گرفتن داده های حضور

هر رابط Wi-Fi سازگار باید جریان داده CSI را تولید کند. اون قسمت راحته با این حال، وظیفه سیستم حسگر پردازش داده ها و استنتاج از آن است. این فرآیند به طور کلی به سه مرحله تقسیم می‌شود که از قراردادهای توسعه‌یافته برای پردازش تصویر ویدیویی پیروی می‌کند: آماده‌سازی داده، استخراج ویژگی و طبقه‌بندی.

تحلیل و استنتاج

مرحله بعدی در خط لوله، جریان های داده پاک شده را برای استخراج ویژگی ها تجزیه و تحلیل می کند. این فرآیند تا حدی مشابه استخراج ویژگی در پردازش بینایی است.

الگوریتم‌های استخراج به سادگی پیکسل‌ها را دستکاری نمی‌کنند، بلکه تحلیل‌های آماری پیچیده‌ای را انجام می‌دهند. خروجی مرحله استخراج یک نمایش ساده از داده‌های CSI خواهد بود که تنها ناهنجاری‌هایی را نشان می‌دهد که الگوریتم‌ها آن‌ها را به عنوان ویژگی‌های مهم داده‌ها تعیین می‌کنند.

مرحله نهایی در خط لوله طبقه بندی است.

ماهیت تصمیم، الگوریتم طبقه بندی را تعیین می کند. بنابراین، توسعه‌دهندگان باید داده‌های واقعی CSI را از موارد آزمایشی جمع‌آوری کنند و سپس مدل‌های آماری یا الگوهای مرجع، که اغلب اثر انگشت نامیده می‌شوند، بسازند. سپس طبقه‌بندی‌کننده می‌تواند از این مدل‌ها یا الگوها برای مطابقت با ویژگی استخراج‌کننده و موقعیت‌های شناخته شده استفاده کند.

روش دیگر یادگیری ماشینی است. توسعه‌دهندگان می‌توانند ویژگی‌های استخراج‌شده و طبقه‌بندی صحیح آن ویژگی‌ها را در یک ماشین بردار پشتیبان یا یک شبکه یادگیری عمیق تغذیه کنند و به مدل آموزش دهند تا الگوهای انتزاعی ویژگی‌ها را به درستی طبقه‌بندی کند.

اجرای سنجش Wi-Fi

برای مرحله آماده سازی داده، فیلتر ساده ممکن است در محدوده یک هسته کوچک CPU باشد. پس از همه، یک ماتریس کوچک تنها زمانی می رسد که یک حامل فرعی فعال شود. اما الگوریتم های آماری پیچیده تر نیاز به هسته DSP کم مصرف دارند. تکنیک های آماری برای استخراج ویژگی نیز احتمالاً به قدرت و کارایی DSP نیاز دارند.

SoC Wi-Fi ممکن است شامل یک CPU، یک DSP و یک شتاب دهنده استنتاج باشد.

آوردن یک دستگاه حسگر Wi-Fi موفق به بازار، مستلزم همکاری نزدیک با یک توسعه دهنده SoC با IP کم مصرف مناسب، تجربه طراحی و دانش صمیمی از الگوریتم‌ها - حال و ظهور است. انتخاب یک شریک توسعه ممکن است یکی از مهمترین تصمیماتی باشد که توسعه دهندگان باید بگیرند.