Как Wi-Fi-зонды упрощают обнаружение присутствия

Новая технология зондирования Wi-Fi обещает значительные преимущества для различных встроенных и периферийных систем. Системы умного дома, развлечений, безопасности и охраны могут извлечь выгоду из этой возможности.

Рисунок 1. Зондирование Wi-Fi может выполняться на любом устройстве с поддержкой Wi-Fi при правильном балансе энергопотребления и производительности обработки. Источник: Synaptics

Как заказать?

Элегантность зондирования Wi-Fi заключается в том, что оно использует то, что уже есть: радиочастотные сигналы, которые устройства Wi-Fi используют для связи. В принципе, принимающее устройство Wi-Fi может обнаруживать изменения в этих радиочастотных сигналах по мере их получения и на основе этих изменений делать вывод о присутствии, движении и местоположении человека в области вокруг приемника.

Ранние попытки сделать это использовали RSSI интерфейса Wi-Fi, число, периодически выдаваемое интерфейсом для указания средней мощности принимаемого сигнала. Во многом так же, как пассивный инфракрасный датчик движения интерпретирует изменение интенсивности ИК-излучения как движение вблизи своего датчика, эти датчики Wi-Fi интерпретируют изменение значения RSSI как появление или движение объекта вблизи приемника.

Рисунок 2. Системы Wi-Fi на кристалле (SoC) могут анализировать CSI на предмет незначительных изменений в канале, по которому распространяется сигнал, для обнаружения присутствия, движения и жестов. Источник: Synaptics

Сбор данных о присутствии

Любой совместимый интерфейс Wi-Fi должен создавать поток данных CSI. Эта часть проста. Однако работа сенсорной системы заключается в обработке данных и вынесении из них выводов. Этот процесс обычно делится на три этапа, следуя соглашениям, разработанным для обработки видеоизображений: подготовка данных, извлечение признаков и классификация.

Анализ и выводы

Следующий этап конвейера будет анализировать очищенные потоки данных для извлечения признаков. Этот процесс аналогичен — до определенной степени — извлечению признаков в обработке зрения.

Алгоритмы извлечения не будут просто манипулировать пикселями, а вместо этого будут выполнять сложный статистический анализ. Выходом этапа извлечения будет упрощенное представление данных CSI, показывающее только аномалии, которые алгоритмы определяют как существенные особенности данных.

Заключительным этапом конвейера является классификация.

Характер решения определит алгоритм классификации. Таким образом, разработчики должны собрать фактические данные CSI из тестовых случаев, а затем построить статистические модели или эталонные шаблоны, часто называемые отпечатками пальцев. Затем классификатор может использовать эти модели или шаблоны для наилучшего соответствия признаку из экстрактора и известным ситуациям.

Другой подход — машинное обучение. Разработчики могут передавать извлеченные признаки и правильные классификации этих признаков в машину опорных векторов или сеть глубокого обучения, обучая модель правильной классификации абстрактных шаблонов признаков.

Реализация зондирования Wi-Fi

Для этапа подготовки данных простая фильтрация может быть в пределах небольшого ядра ЦП. В конце концов, небольшая матрица поступает только при активации поднесущей. Но более сложные статистические алгоритмы потребуют маломощного ядра ЦСП. Статистические методы извлечения признаков также, вероятно, потребуют мощности и эффективности ЦСП.

Система на кристалле Wi-Fi вполне может включать в себя центральный процессор, цифровой сигнальный процессор и ускоритель вывода.

Вывод на рынок успешного устройства для измерения Wi-Fi потребует тесного партнерства с разработчиком SoC с правильным IP с низким энергопотреблением, опытом проектирования и глубоким знанием алгоритмов — как существующих, так и развивающихся. Выбор партнера по разработке может быть одним из самых важных из многих решений, которые должны принять разработчики.