Wi-Fi 감지가 존재 감지를 간소화하는 방법

Wi-Fi 감지의 새로운 기술은 다양한 임베디드 및 엣지 시스템에 상당한 이점을 제공할 것으로 기대됩니다. 스마트 홈, 엔터테인먼트, 보안 및 안전 시스템은 모두 이 기능의 이점을 누릴 수 있습니다.

그림 1 Wi-Fi 센싱은 전력 소비와 처리 성능의 적절한 균형을 갖춘 모든 Wi-Fi 지원 기기에서 수행할 수 있습니다. 출처: Synaptics

전달 방법

Wi-Fi 감지의 우아함은 이미 존재하는 것을 사용한다는 것입니다. 즉, Wi-Fi 장치가 통신하는 데 사용하는 RF 신호입니다. 원칙적으로 Wi-Fi 수신 장치는 수신하는 동안 이러한 RF 신호의 변화를 감지하고, 그 변화로부터 수신기 주변 영역에 있는 인간의 존재, 움직임 및 위치를 추론할 수 있습니다.

이를 위한 초기 시도는 Wi-Fi 인터페이스의 RSSI를 사용했는데, 이는 인터페이스에서 주기적으로 생성되는 숫자로 평균 수신 신호 강도를 나타냅니다. 수동 적외선 모션 감지기가 센서 근처의 모션으로 IR 강도의 변화를 해석하는 것과 거의 같은 방식으로 이러한 Wi-Fi 센서는 RSSI 값의 변화를 수신기 근처의 물체의 모양이나 모션으로 해석합니다.

그림 2 Wi-Fi 시스템온칩(SoC)은 신호가 전파되는 채널의 미묘한 변화에 대한 CSI를 분석하여 존재, 동작 및 제스처를 감지할 수 있습니다. 출처: Synaptics

현재 상태 데이터 캡처

모든 호환 Wi-Fi 인터페이스는 CSI 데이터 스트림을 생성해야 합니다. 이 부분은 쉽습니다. 그러나 센서 시스템의 역할은 데이터를 처리하고 이를 통해 추론하는 것입니다. 이 프로세스는 일반적으로 비디오 이미지 처리를 위해 개발된 규칙에 따라 데이터 준비, 기능 추출 및 분류의 세 단계로 나뉩니다.

분석 및 추론

파이프라인의 다음 단계는 정리된 데이터 스트림을 분석하여 기능을 추출하는 것입니다. 이 프로세스는 어느 정도 비전 처리의 기능 추출과 유사합니다.

추출 알고리즘은 단순히 픽셀을 조작하는 것이 아니라 복잡한 통계 분석을 수행합니다. 추출 단계의 출력은 CSI 데이터의 단순화된 표현이며, 알고리즘이 데이터의 중요한 특징으로 판단하는 이상치만 보여줍니다.

파이프라인의 마지막 단계는 분류입니다.

결정의 본질은 분류 알고리즘을 결정합니다. 따라서 개발자는 테스트 사례에서 실제 CSI 데이터를 수집한 다음 통계적 모델 또는 참조 템플릿(종종 지문이라고 함)을 구성해야 합니다. 그런 다음 분류기는 이러한 모델 또는 템플릿을 사용하여 추출기의 기능과 알려진 상황을 가장 잘 일치시킬 수 있습니다.

또 다른 접근 방식은 머신 러닝입니다. 개발자는 추출된 특징과 해당 특징의 올바른 분류를 지원 벡터 머신이나 딥 러닝 네트워크에 공급하여 모델을 훈련하여 특징의 추상적인 패턴을 올바르게 분류할 수 있습니다.

Wi-Fi 감지 구현

데이터 준비 단계에서 간단한 필터링은 작은 CPU 코어 범위 내에 있을 수 있습니다. 결국, 작은 매트릭스는 부반송파가 활성화될 때만 도착합니다. 그러나 더 정교한 통계적 알고리즘은 저전력 DSP 코어를 요구할 것입니다. 기능 추출을 위한 통계적 기법도 DSP의 전력과 효율성이 필요할 가능성이 높습니다.

Wi-Fi SoC에는 CPU, DSP, 추론 가속기가 포함될 수도 있습니다.

성공적인 Wi-Fi 감지 장치를 시장에 출시하려면 적절한 저전력 IP, 설계 경험, 알고리즘에 대한 심층적인 지식(현재 및 미래)을 갖춘 SoC 개발자와의 긴밀한 협력이 필요합니다. 개발 파트너를 선택하는 것은 개발자가 내려야 할 많은 결정 중 가장 중요한 것 중 하나일 수 있습니다.