Wi-Fi algılama varlık algılamayı nasıl basitleştirir?

Ortaya çıkan Wi-Fi algılama teknolojisi, çeşitli gömülü ve uç sistemler için önemli faydalar vaat ediyor. Akıllı ev, eğlence, güvenlik ve emniyet sistemlerinin hepsi bu yetenekten faydalanabilir.

Şekil 1 Wi-Fi Algılama, güç tüketimi ve işlem performansı arasında doğru dengeye sahip herhangi bir Wi-Fi özellikli cihazda gerçekleştirilebilir. Kaynak: Synaptics

Nasıl çalışır

Wi-Fi algılamanın zarafeti, halihazırda var olanı kullanmasıdır: Wi-Fi cihazlarının iletişim kurmak için kullandığı RF sinyalleri. Prensip olarak, bir Wi-Fi alıcı cihaz, bu RF sinyallerindeki değişiklikleri, onları aldığı sırada algılayabilir ve değişikliklerden, alıcının etrafındaki alanda bir insanın varlığını, hareketini ve konumunu çıkarabilir.

Bunu yapmaya yönelik erken girişimler, arayüz tarafından periyodik olarak üretilen ve ortalama alınan sinyal gücünü gösteren bir sayı olan Wi-Fi arayüzünün RSSI'sini kullandı. Pasif bir kızılötesi hareket dedektörünün IR yoğunluğundaki bir değişikliği sensörüne yakın bir hareket olarak yorumlamasına benzer şekilde, bu Wi-Fi sensörleri RSSI değerindeki bir değişikliği alıcıya yakın bir nesnenin görünümü veya hareketi olarak yorumlar.

Şekil 2 Wi-Fi sistem üstü çipler (SoC'ler), sinyalin yayıldığı kanaldaki ince değişiklikleri tespit etmek için CSI'yi analiz edebilir ve varlığı, hareketi ve jestleri tespit edebilir. Kaynak: Synaptics

Varlık verilerinin yakalanması

Herhangi bir uyumlu Wi-Fi arayüzü CSI veri akışını üretmelidir. Bu kısım kolaydır. Ancak, verileri işlemek ve bunlardan çıkarımlar yapmak sensör sisteminin işidir. Bu süreç genellikle video görüntü işleme için geliştirilen kuralları izleyerek üç aşamaya ayrılır: veri hazırlama, özellik çıkarma ve sınıflandırma.

Analiz ve çıkarım

Boru hattındaki bir sonraki aşama, özellikleri çıkarmak için temizlenmiş veri akışlarını analiz edecektir. Bu süreç, bir noktaya kadar, görsel işlemedeki özellik çıkarmaya benzerdir.

Çıkarım algoritmaları pikselleri basitçe işlemeyecek, bunun yerine karmaşık istatistiksel analizler gerçekleştirecektir. Çıkarım aşamasının çıktısı, algoritmaların verilerin önemli özellikleri olarak belirlediği yalnızca anomalileri gösteren CSI verilerinin basitleştirilmiş bir temsili olacaktır.

Boru hattındaki son aşama sınıflandırmadır.

Kararın niteliği sınıflandırma algoritmasını belirleyecektir. Bu nedenle, geliştiriciler test vakalarından gerçek CSI verilerini toplamalı ve ardından genellikle parmak izleri olarak adlandırılan istatistiksel modeller veya referans şablonları oluşturmalıdır. Sınıflandırıcı daha sonra bu modelleri veya şablonları, çıkarıcıdan gelen özelliği ve bilinen durumları en iyi şekilde eşleştirmek için kullanabilir.

Başka bir yaklaşım da makine öğrenmesidir. Geliştiriciler, çıkarılan özellikleri ve bu özelliklerin doğru sınıflandırmalarını bir destek vektör makinesine veya derin öğrenme ağına besleyebilir ve modeli özelliklerin soyut desenlerini doğru şekilde sınıflandırması için eğitebilir.

Wi-Fi algılama uygulaması

Veri hazırlama aşaması için basit filtreleme küçük bir CPU çekirdeğinin aralığında olabilir. Sonuçta, küçük bir matris yalnızca bir alt taşıyıcı etkinleştirildiğinde gelir. Ancak daha karmaşık, istatistiksel algoritmalar düşük güçte bir DSP çekirdeği gerektirecektir. Özellik çıkarma için istatistiksel tekniklerin de DSP'nin gücüne ve verimliliğine ihtiyaç duyması muhtemeldir.

Wi-Fi SoC'nin bir CPU, bir DSP ve bir çıkarım hızlandırıcısı içermesi muhtemeldir.

Başarılı bir Wi-Fi algılama cihazını pazara sunmak, doğru düşük güç IP'sine, tasarım deneyimine ve mevcut ve ortaya çıkan algoritmalar hakkında derinlemesine bilgiye sahip bir SoC geliştiricisiyle yakın bir ortaklık gerektirecektir. Bir geliştirme ortağı seçmek, geliştiricilerin vermesi gereken birçok karardan en önemlilerinden biri olabilir.