Wi-Fi 感應如何簡化存在偵測

2025-02-20 987

新興的 Wi-Fi 感測技術將為各種嵌入式和邊緣系統帶來顯著的利益。智慧家庭、娛樂、保全和安全系統均可從此功能中受益。

圖 1 Wi-Fi 感應可在任何支援 Wi-Fi 的裝置上執行，並實現功耗和處理效能的適當平衡。來源：Synaptics

Wi-Fi 感應的優點在於它利用了現有資源：Wi-Fi 設備用於通訊的射頻訊號。原則上，Wi-Fi 接收設備在接收射頻訊號時可以檢測到這些變化，並根據這些變化推斷出接收器周圍區域中人類的存在、運動和位置。

早期嘗試使用 Wi-Fi 介面的 RSSI，這是介面定期產生的數字，用於指示平均接收訊號強度。與被動紅外線運動偵測器將紅外線強度的變化解釋為感測器附近的運動的方式非常相似，這些 Wi-Fi 感測器將 RSSI 值的變化解釋為接收器附近物體的出現或運動。

圖 2 Wi-Fi 系統單晶片 (SoC) 可以分析 CSI，了解訊號傳播通道中的細微變化，從而檢測存在、運動和手勢。來源：Synaptics

任何相容的 Wi-Fi 介面都應產生 CSI 資料流。那部分很容易。然而，感測器系統的工作是處理數據並從中做出推論。這個過程通常分為三個階段，遵循為視訊影像處理開發的慣例：資料準備、特徵提取和分類。

管道的下一階段將分析清理後的資料流以提取特徵。在某種程度上，這個過程類似於視覺處理中的特徵提取。

提取演算法不會簡單地操作像素，而是執行複雜的統計分析。提取階段的輸出將是 CSI 資料的簡化表示，僅顯示演算法確定為資料重要特徵的異常。

流程的最後階段是分類。

決策的性質將決定分類演算法。因此，開發人員必須從測試案例中收集實際的 CSI 數據，然後建立統計模型或參考模板（通常稱為指紋）。然後，分類器可以使用這些模型或模板來最佳匹配提取器的特徵和已知情況。

另一種方法是機器學習。開發人員可以將提取的特徵和這些特徵的正確分類輸入到支援向量機或深度學習網路中，訓練模型正確地對特徵的抽像模式進行分類。

對於資料準備階段，簡單的過濾可能在一個小的CPU核心的範圍內。畢竟，只有當子載波被啟動時，小矩陣才會到達。但更複雜的統計演算法將需要低功耗 DSP 核心。特徵提取的統計技術也可能需要 DSP 的功率和效率。

Wi-Fi SoC 可能包括 CPU、DSP 和推理加速器。

要將成功的 Wi-Fi 感測設備推向市場，需要與擁有合適的低功耗 IP、設計經驗以及對現有和新興演算法的深入了解的 SoC 開發人員密切合作。選擇開發合作夥伴可能是開發商必須做出的眾多決策中最重要的決策之一。