Wi-Fi 感应如何简化存在检测

2025-02-20 987

新兴的 Wi-Fi 传感技术有望为各种嵌入式和边缘系统带来巨大好处。智能家居、娱乐、安防和安全系统都可以从这种能力中受益。

图 1 Wi-Fi 感应可以在任何支持 Wi-Fi 的设备上执行，并实现功耗和处理性能的适当平衡。来源：Synaptics

Wi-Fi 感应的巧妙之处在于它利用了现有的资源：Wi-Fi 设备用于通信的 RF 信号。原则上，Wi-Fi 接收设备可以在接收 RF 信号时检测这些信号的变化，并根据这些变化推断出接收器周围区域中人员的存在、运动和位置。

早期尝试使用 Wi-Fi 接口的 RSSI，这是接口定期生成的数字，用于指示平均接收信号强度。与被动红外运动检测器将红外强度的变化解释为其传感器附近的运动的方式非常相似，这些 Wi-Fi 传感器将 RSSI 值的变化解释为接收器附近物体的出现或运动。

图 2 Wi-Fi 片上系统 (SoC) 可以分析 CSI，以了解信号传播通道中的细微变化，从而检测存在、运动和手势。来源：Synaptics

任何兼容的 Wi-Fi 接口都应生成 CSI 数据流。这部分很容易。但是，传感器系统的工作是处理数据并从中做出推断。这个过程通常分为三个阶段，遵循为视频图像处理制定的惯例：数据准备、特征提取和分类。

管道的下一个阶段将分析已清理的数据流以提取特征。这个过程在某种程度上类似于视觉处理中的特征提取。

提取算法不会简单地操纵像素，而是会执行复杂的统计分析。提取阶段的输出将是 CSI 数据的简化表示，仅显示算法确定为数据重要特征的异常。

流程的最后阶段是分类。

决策的性质将决定分类算法。因此，开发人员必须从测试用例中收集实际的 CSI 数据，然后构建统计模型或参考模板（通常称为指纹）。然后，分类器可以使用这些模型或模板来最佳匹配提取器中的特征和已知情况。

另一种方法是机器学习。开发人员可以将提取的特征和这些特征的正确分类输入到支持向量机或深度学习网络中，训练模型正确地对特征的抽象模式进行分类。

对于数据准备阶段，简单的过滤可能在小型 CPU 内核的范围内。毕竟，只有当子载波被激活时，小矩阵才会到达。但更复杂的统计算法将需要低功耗 DSP 内核。用于特征提取的统计技术也可能需要 DSP 的功率和效率。

Wi-Fi SoC 可能包括 CPU、DSP 和推理加速器。

要将成功的 Wi-Fi 传感设备推向市场，需要与拥有合适低功耗 IP、设计经验和算法（现有和新兴算法）的 SoC 开发商建立密切的合作伙伴关系。选择开发合作伙伴可能是开发商必须做出的众多决策中最重要的一个。