WIDESEE：面向广域非接触式无线感知
摘要
广域非接触式无线感知技术进展迅速，感知范围小。
解决方案：WIDESEE，只使用一对收发机来实现广域感知。
使用软件Lora以无人机为传感器宿主机作为传感器宿主。
1.设备的移动性和Lora高度敏感的干扰；2.模糊的目标信息，如只使用一对收发器时的目标信息。
开发实验：用于人体目标检测和定位WIDESEE工作原型。通过可控实验和高层建筑实地研究，适用于紧急救援搜救。
关键词
广域；无线传感；Lora；移动性
1 导言
传统的数据通信，WiFi、蓝牙等；2、无线感知技术，定位，RFID等等。依靠从目标反射信号的特征来理解目标信息，如定位。用于非接触传感，包括超声波和射频信号，具有非接触、无直接视觉、渗透性强等优点。
射频感知技术，感知范围有限。实际上，目标反射信号比直接路径收发信号弱，用于感知的距离更短。
扩展感知距离的方法：设置多个节点和多个中继设备。问题是，感知基础设施部署过程复杂，容易受到单个设备变更或故障的影响。
本文介绍了一种基础LoRa非接触式无线传感系统技术WIDSEE。
目的是增加感知距离。关键创新是，LoRa功耗低，无线通信，穿透性强。
实验是探索LoRa该技术用于广域场景中非接触式人体检测和定位的机会和局限性。无人机的机动性用于携带收发器，并在目标区域周围移动以实现无线感知。通过墙体传感实现了建筑规模的检测和定位。应用于城市搜救任务中的人类目标感知（检测和定位）
实验影响因素。LoRa信号接收灵敏度越高，感知范围越大，干扰范围越大。其次，由于未知变量的数量大于定位约束方程的数量，配备单天线的收发信机无法为目标位置提供足够的信息。第三，无人机可以增加感知覆盖，但在飞行过程中引入的振动会影响合成信号，并相应地影响目标的感知性能。
引入跨软件和硬件堆栈来解决广泛的感知。天线系统和传感算法的设计Lora高灵敏度干扰。具体来说，接收端采用紧凑可重构的定向天线来缩小目标感应区域。该系统可以快速切换窄波束宽度的辐射模式(即在10毫秒内)。使得WideSee专注于感兴趣的领域，减少干扰的影响。为了消除传感区域的多径效应，首先从可用的振幅时间序列中提取与方向相关的信息，然后将目标路径与干扰多径隔离。基于到达角的常用性（AoA）或飞行时间（ToF）不同的方法避免了依赖精确信道相位信息和大带宽的陷阱LoRa上是不可用的。
为了减少定位中的模糊性，建立一个可以预测和确定目标位置的分析模型。基于移动目标（如人类）的速度相对恒定，并在短时间内（如<1s）轨迹是平滑的。频域建模振动噪声和人体目标运动的信号特征，过滤接收信号上的振动伪影，提高传感精度。
将技术集成到工作原型中，部署到三个不同的现实环境中：开放广场、地下停车场和20个×42×85m在高层建筑结构中，只有一个收发器用于检测和定位人体目标。在90%的测试用例中，WIDESEE定位误差为4.6m在此范围内，此精度可允许3
图1:Wideee动机示例：人类目标感知场景的建筑规模。
我希望在许多典型的建筑结构中确定人体目标位于哪个房间。只使用一个收发器，目标大部分时间都在环境中移动。本文的主要贡献总结如下：
?通过结合无人驾驶飞机的灵活性和灵活性，我们提出了一个非接触系统Lora只使用一个收发器来感应广域内人类的目标。
?为了有效地解决应用，我们在软件和硬件堆栈中引入了新的算法和设计方法LoRa与飞行无人机进行广泛传感时的一系列干扰问题，解决了只使用一个收发器时传感模糊的问题。该技术具有广泛的适用性，可用于其他无线传感任务。
?我们首次证明，只需一对Lora收发器和无人机可以实现建筑规模和全路非接触式无线传感。
2 背景和概述
2.1 Lora技术
LoRa，通信距离长，解码能力强。同时，它很容易受到不感兴趣区域的干扰。多径效应影响传感精度。接收信号AoA或ToF多径效应的影响需要通过准确的信道相位读数和发射机和接收机之间的时钟同步来解决，Lora不可用的。
在这项工作中，我们考虑了一种有效解决多径效应固有问题的方法，利用接收信号强度(即振幅)(尽管容易受到影响)，
图2:WIDESEE概述。我们携带无人驾驶飞机Lora收发器及其控制系统。数据被送回远程数据处理平台进行实时目标检测和定位。
2.2 动机和问题范围
WIDESEE可用于对(高层)建筑结构中的灾难救援和恐怖分子搜索等紧急情况。设计目的:视觉检查人类目标的存在和位置，并在困难的环境中提供决策支持。
人类感知应用中的两个目标。探测人类目标的存在；检测目标存在时识别目标的位置。在紧急情况下，不考虑多设备或多跳传输方案通常是不可行的。WIDSEE它被设计成多个人类目标，可以检测同一建筑中不同房间的存在，但一次只能定位一个目标。我们将同时定位多个目标作为未来的工作。
2.3 WIDSEE概述
WIDESEE以单个为基础Lora收发器对广域非接触式人体目标感知系统。收发器由无人机携带，通过驾驶无人机扫描和感知大面积区域。为了保持电池驱动的无人机良好的耐久性，Wideee需要小型轻量化设计。
工作机制：首先发送LoRa然后捕获和分析从直接信号路径接收到的合成信号以及目标和周围物体的反射。模拟影响接收信号的人类活动的功率谱密度（PSD）。对检测到的人类目标进行提取和分析。如图2所示，Wideee由三个创新组件组成：
?紧凑型可重建天线系统。减少不感兴趣区域的干扰。天线应能够快速调整其方向和辐射模式，以防止移动目标丢失。
图3:接收器侧的预制天线系统。
? 包括数据采集和天线控制系统。Lora收发器对，数据采集子系统和无人机。无人机携带Lora收发器和数据采集子系统在目标区域飞行。收集到的LoRa信号数据被送回笔记本电脑(通过信号数据)LTE网络)地面处理。天线控制系统由无人机携带Arduino天线辐射方向图应配置在板上。
? 目标检测和定位系统。在我们的案例中，在数据处理平台上运行是笔记本电脑。系统分析收集到的数据，实现人体目标的检测和定位。
LoRa，通信距离长，渗透性高，用于感知建筑结构内部大面积或深度的目标。它也给不感兴趣的人带来了更多的干扰。因此，需要新的设计方法、分析和处理算法。
3.1 天线系统可以重构
为了减少干扰，寻求了两点创新，一是在接收器处使用定向天线来缩小感应区域。另一种方法是使用相控阵天线，通过调整每个天线单元的幅度和相位，可以改变辐射方向图，从而使用较窄的波束实现快速扫描。但使用带有Lora的相控阵天线存在一个问题。Lora信号的波长为33厘米，为了达到波束宽度，线性阵列的尺寸大约为2米，价格昂贵，体积太大，无法安装在家用无人机上。
我们想知道我们是否能把喇叭天线（小尺寸，低成本）和相控阵天线（高分辨率和扫描速度）的优点结合起来。采用可重构天线方法，该方法能够通过调整其内部电流分布来切换辐射方向图和频率特性，以提供窄波束宽度。
具体来说，我们选择使用寄生平面贴片天线进行可重构天线设计。图3显示了我们在接收器端使用的可重构天线实现，
图4：可重构天线系统的频率和辐射特性。这里（a-c）、（d-f）和（g-i）分别表示模式1-3的频率特性、辐射模式和归一化辐射模式。
表1：我们的天线系统和类似尺寸的RFMAX——一种流行的喇叭定向天线的性能。
它由中心的一个驱动补丁和两侧的两个寄生补丁组成。光束控制是通过操纵寄生贴片的状态来实现的，它可以充当反射器（对地短路时）或控制器（对地不短路时）。每个补丁的半径为78毫米。每个寄生贴片的两个短路引脚对地短路，以确保电流可以根据射频开关配置从寄生贴片流向接地。两个SMP1345管脚二极管开关焊接在靠近每个短路管脚和射频/直流（DC）输入的寄生贴片层上。每个二极管占用大约2×2 mm的小空间。PIN二极管分别通过在通断状态下使用电阻（1.5Ω）和电容（1.5 pF）来实现。由此产生的天线系统较小（20×50cm），具有与类似尺寸的喇叭定向天线相当的重量（<1kü），但具有快速切换辐射方向图的优点。我们制造天线及其控制系统的成本不到300美元，我们预计在大规模生产过程中价格将大幅降低。
图4显示了我们的天线系统的频率和辐射特性。我们目前的实现支持三种不同的辐射模式。我们使用Arduino板以循环方式在三种模式之间切换，在循环方式中，每10毫秒。我们根据经验确定了这个开关频率，足以感应人类目标。这是基于人体运动的频率通常小于10赫兹的观察结果。
图5：我们使用DJI S1000携带Lora收发器对（a）和数据采集/控制子系统（b）。
表1比较了我们的天线系统（在三种不同模式下）和类似尺寸的RFMAX[5]——一种广泛使用的喇叭定向天线。从表中可以看出，我们的天线系统在三种模式下的频率范围和增益与RFMAX相当，但我们的设计具有的优点。这些优点使我们的天线系统更适合用Lora来探测目标。注意，我们系统的总辐射角范围是RFMAX的两倍，并且辐射方向图切换比需要机械旋转以改变方向的喇叭天线快得多（即10 ms）。
3.2 数据采集与天线控制系统
如图2所示，我们使用消费者无人机携带收发器对及其控制和数据采集模块。
图6：不存在人目标（a）和运动目标（b）时接收信号的PSD的比较。两种情况下的PSD模式差异显著。WIDESEE利用这一观测来探测人类目标的存在。
3.2.1收发器对。我们的Lora收发器对如图5（a）所示。我们使用现成的设备，Semtech SX1276[6]，带有全向天线作为LoRa信号发射器。发射机以890兆赫的频率连续发送信号
–可重构天线系统的最佳工作频率。在接收端，我们使用LimeSDR mini（软件无线电板[4]）作为LoRa网关，通过运行GNU无线电软件开发工具包[2]，以250khz的采样率采集信号。我们通过其中一个射频接口将主板连接到可重新配置的天线（见第3.1节），并通过USB 3.0端口连接到Android智能手机（带8G RAM和128G存储空间）。
接收器端工作如下。初始化LimeSDRmini板后，运行在Arduino板上的天线控制软件以10 ms的频率在天线的三种辐射模式之间连续切换。LimiSDR mini板在每个辐射模式下采集信号样本，由要传输的智能手机读取（标记有辐射模式）通过LTE连接到笔记本电脑进行数据处理。通过这种方式，WIDESEE可以在每种辐射模式覆盖的感兴趣区域内检测和定位目标。请注意，我们的目标检测和定位算法可以在智能手机或嵌入式设备消除了数据传输的需要，而我们将此作为我们未来的工作。
3.2.2无人机系统。我们使用DJI S1000无人机[7]来增加单个收发器对可以有效覆盖的区域。如图5（b）所示，LimeSDR mini、智能手机、Arduino板置于无人机顶部，由5200毫安时便携式电源组供电，输出电流为2.4安。我们采用DIJ提供的防撞系统，避免无人机与障碍物碰撞。无人机由运行在笔记本电脑上的软件控制，通过DJI软件开发包编程。无人机系统的一个限制是，在装载这些设备时，它不能长时间工作，一次电池充电可以支持大约15分钟的飞行。我们未来的实现将着眼于通过在单个计算设备（如Arduino板）上运行数据收集和天线控制软件来减少无人机的负载，该设备可以直接由无人机的电池供电。可以使用多架无人机来缓解这一耗电问题。
3.3 目标检测与定位系统
我们开发了一套算法来处理收集到的LoRa信号数据，以检测和定位人类目标。检测和定位的过程如下。我们首先对接收到的信号进行预处理，去除无人机振动伪影造成的噪声。然后利用处理后信号的功率谱密度（PSD）来检测人体目标的存在。PSD是信号幅度自相关的快速傅里叶变换。请注意，我们的检测机制可以检测目标的存在，无论一个或多个目标存在于感测区域。在检测到运动目标的存在后，我们应用定位算法来估计反射最强的目标的位置（注意，在定位阶段，我们让设备悬停在原地）。利用设备的移动性，我们可以连续检测和定位多个目标。如前所述，Wideee需要有效地处理仅使用一个LoRa收发器对带来的多径效应和位置模糊。
3.3.1振动噪声消除。飞行无人机的振动不可避免地会给接收到的Lora信号带来噪声。为了消除引入的噪声，我们利用无人机带来的运动伪影在60hz到150hz之间的频率范围内的观察，这与较低的频率范围不同人体运动的频率（<10赫兹）。因此，我们首先使用低通滤波器（即截止频率为10hz的二阶巴特沃斯低通滤波器）来去除频域中的高频运动伪影，然后将滤波后的信号转换回时域以在下一阶段进行处理。我们在第4节的评估表明，这是一个简单而有效的策略。
图7：由人类目标的三种状态引起的信号变化的频率分布。不同的状态导致不同的信号频率分布。
3.3.2人体目标检测。人类活动如挥手和行走将改变无线传播路径，并导致接收器处信号幅度的变化[10]。先前的研究表明，当不存在人类目标时，接收信号可以近似为恒定信号和高斯白噪声的叠加，从而产生随时间变化的不变PSD[41]。相比之下，运动人体目标接收信号的PSD会导致被测信号的波动。作为一个例子，考虑从我们自己的实验中得到的图6。它说明了PSD在有和无运动人体目标时的区别。当不存在人类目标时（图6（a）），接收信号的PSD随时间保持稳定并接近0 Hz，而当存在运动目标时（图6（b）），PSD在低频（0-10 Hz）处波动。我们的工作利用这一信号特征来检测人类目标的存在——如果测得的PSD频率及其方差都低于阈值（在我们的情况下，经验设置为0.1hz），我们认为没有人类目标；否则，我们得出结论，有人（有运动）在感应区域。
在这项工作中，我们的重点是探测具有大运动的人体目标：移动或原地摆动。当收发器对和目标之间没有障碍物，或者障碍物很薄时，我们也能够检测到静止呼吸目标（见第4.2.3节）。图7显示了这三种状态（移动、波动和静止）的反射信号在受控环境中从人体目标反射的归一化PSD。结果表明，不同的状态在频域上表现出不同的特征，可以用来识别和区分这些状态。尤其是人的呼吸和挥动表现出强烈、密集的PSD，其频率范围分别为0.1-0.6hz和1-4hz。相比之下，移动人体目标的PSD分布更分散，主要是由于人体目标的随机移动轨迹模式和多个身体部位的不相关运动。
3.3.3移动目标定位。一旦探测到一个正在移动的人类目标，我们就把注意力集中在确定目标。基于LoRa的目标定位面临的技术挑战之一是，LoRa中的多径比其它信号（如WiFi）中的多径严重。虽然我们在接收端使用较窄的波束天线，但感测区域内的多径仍然可能非常强，这会对目标定位产生负面影响。为了解决定位的多径问题，以前的工作已经研究了各种技术，例如分析AoA信息[52]、基于精确信道相位测量的跳频[35，40]、以及比较需要大带宽和紧密收发器同步的ToF[33]。不幸的是，这些技术不适用于我们的系统，因为Lora的最大带宽只有500khz，而且Lora节点（Tx）和网关（Rx）之间的异步性使得从接收信号中提取稳定的相位读数变得困难。同时，由于采用了廉价的振荡器，使得LoRa节点与网关之间的同步变得尤为困难。由于线性调频调制，Lora可以容忍高频偏移的换相，所以不需要高精度的振荡器。
图8：（a）显示了移动目标定位的设置。类似于移动接收机构成的线性虚拟阵列。运动目标也可以模拟线性阵列。（b） 显示多条路径的叠加信号。
本文提出了一种基于幅度的抗多径运动目标定位方法。我们的方法的基础是从信号振幅提取方向相关的信息，灵感来自最近的工作由Karanam。通过使用与方向相关的信息进行定位，我们有机会消除[31]中未提及的多径效应。在下面的小节中，我们首先描述当目标移动时提取与方向相关信息的基本概念。然后，我们回答如何从提取的方向相关信息中获取目标位置信息。最后，我们提出了解决多径问题的方法。
方向相关参数评估：在两种情景下描述框架性工作来评估方向相关参数，一种是设备移动，目标不移动；另一种是目标移动，而设备固定位置。
考虑到一种情景下，用一个接收器接受K个不同来源的信号。当接收器以速度v直线移动时，它可以模拟线性数字。我们可以在远场中定义每个信号源的入射角为θk,k=1，2…K.然后，在T时刻接收到第K个信号源时，可以表达为，
，at,k是信号振幅，其中，k是信号的幅度，μk是初始时间点（即t = 0）的信号相位。 然后，在时间t处接收器接收到的信号是K个信号的叠加，可以写成：
让我们将R（τ）表示为延迟τ时接收信号幅度的自相关。 然后，R（τ）可以表示为[21，31]：
CA是取决于总信号功率的常数项，
，其中a2 t，k是第k个信号的信号功率。 值得注意的是，R（τ）由总共K（K-1）2个谐波组成。 每个谐波的频率都与两个源的AoA的余弦有关（即θk，θj和k = 1，2，...，K，j = 1，2，...，K），由下式给出：
请注意，cosθk和cosθj是未知数，我们正在尝试获取值。 这些频率fk，j可以通过频率估算技术获得，例如通过峰幅检测进行幅度自相关的快速傅立叶变换。 对于图8（a）所示的目标移动和收发器固定方案，合成信号由移动的人类目标和直接路径（Tx→Rx）的反射（Tx→目标→Rx）组成。 因此，在时间t处得到的信号可以写成：
而μs是直接路径信号的幅度和相位，ad是从移动目标反射的信号的幅度，μd是反射信号的初始相位（t = 0），v是目标的移动速度，θT和θR是图2中标出的两个角度 8（a）。 等式（4）是等式（1）的一种特殊情况，它有两个源（K = 2），cosθ1= 0，cosθ2=cosθT+cosθR。移动目标可以合成发射机阵列。 我们将cosθ1和cosθ2放入方程式（3），得到以下结果：
由于v，θT和θR在实际中是未知数，我们共同估算方向相关参数| v（cosθT+cosθR）|。 根据等式（5）为f1,2λ。
避免本地化歧义。 通过利用| v（cosθT+cosθR）| 仅从一对收发器进行估计以定位目标，就存在严重的定位模糊性，其源于三个方面：（1）将绝对值符号||应用于v（cosθT+cosθR）； （2）目标与Tx-Rx LoS链路之间的未知距离，如图8（a）所示； （3）目标运动的未知速度v和方向θ0。 我们在图11（a）中显示了一种特殊情况（θ0= 0）的定位结果。 我们可以看到，即使θ0= 0简化了问题，仍然存在歧义（红色区域）。 因此很难获得目标的真实初始位置。
- 目标朝着服务目标迈进。 （b）目标远离视线。
图9：在各种目标移动方向θ0处，v（cosθT+cosθR）估计值的变化趋势。 可以看出，无论目标朝着LoS（0°<θ0<90°）还是远离LoS（90°<θ0<180°）移动，v（cosθT+cosθR）估计值从第1到第m的变化趋势始终在减小。 。
在本文中，我们基于以下事实解决此问题：目标的移动轨迹在短时间内（例如，<1 s）是平滑的，并且速度是恒定的。 具体而言，我们利用大小为w的滑动窗口对v（cosθT+cosθR）进行多个连续估计，并且每个估计过程都需要在大小为τ的时间窗口中收集样本。 在我们的系统中，根据经验将w和τ设置为0.25 s和1 s。 为了减少计算时间，我们将PSD的采样率从250 KHz降低到1 KHz。 我们旨在解决五个未知参数：[θT1，θR1，θ0，d1，v]，其中θT1，θR1和d1分别是θT，θR和d的初始值。 请注意，在短时间内，v和θ0都可以视为常数，而θT，θR和d都在变化。在短时间内目标移动的过程中，我们不断估计这三个变化变量。 对于这些估计，我们可以具有以下两个方程式：
注意，由于我们的观察，±可以删除，如图9所示。我们发现，从第1个月到第v个月，v（cosθT+cosθR）估计值的变化趋势一直在减小。当目标向收发器对移动时，cosθT和cosθR的值（0°<θT<90°， 0◦<θR<90◦）为正，并且值随角度θT和θR的增加而减小。 当目标远离收发器对时，cosθT和cosθR的值（90°<θT<180°，90°<θR<180°）为负，并且值随着角度增加而再次减小。 因此，我们删除了另一组不满足从第一个估计到第一个估计减少的条件的估计。 考虑到短时间内的轨迹平滑度和速度恒定性这一事实，我们可以添加以下约束：
通过将公式7合并到公式6中，我们发现，当m达到4时，方程的数量（2m = 8）大于未知数（总共7个，其中5个原始未知数和2个新引入的未知数）。 因此，我们仅用| v（cosθT+cosθR）|的4个估计就能解决未知数。 如图10所示。
由于方程是非线性的，无法直接求解，因此一个直观的选择是使用近似搜索算法。 为了避免局部最优问题并减少时间开销，我们采用了来自Matlab GlobalOptimization工具箱的ParticleSwarmandGlobalSearch，可以实现对非线性方程组的全局最优搜索。 原理是使用粒子群获得接近解的初始搜索值，然后使用fmincon的非线性约束来限制目标函数，最后使用全局搜索来获得解。 搜索算法的计算复杂度为O（N×M），其中N是粒子群的维数，M是迭代次数。 图11（b）显示，采用我们的避免歧义方案的初始定位结果接近于真实情况。
多径干扰消除：考虑图8（b）所示的典型多径情况，我们可以看到接收器接收到的信号是多个信号的叠加，可以写成：
其中ad，μd，θT和θR分别是直接目标反射的幅度，初始相位（t = 0），角度参数（Tx→target→Rx）。 为了简化表示，这里我们将间接目标反射（Tx→目标→墙→Rx）近似为从虚拟目标（Tx→虚拟目标→Rx）的新直接反射，其幅度为d，初始相位（t = 0） μd，方向参数θT和θR。在这种情况下，fλ值集具有| v（cosθT+cosθR）|。 以及| v（cosθT +cosθR）| 和| v（cosθT+cosθR）−v（cosθT +cosθR）| 组件。 由于生成的静态分量（包含直接路径）
比反射强得多，我们可以将两个主导fλ估计锁定为| v（cosθT+cosθR）|和| v（cosθT +cosθR）|。区分对应的目标| v（cosθT+cosθR）| | v（cosθT +cosθR）|中的值如图12（bc）所示的估计，现有解决方案（例如，动态音乐）利用事实表明，直接目标反射路径比间接目标反射路径[34、46、52]强，因为前者的路径较短，因此考虑fλ值由于直接目标反射的结果| v（cosθT+cosθR）|的大小更大。当干扰物体（在图12（a）中的位置A）远离目标与接收器/发射器之间的连接线时，此方法可能有效。我们可以看到| v（cosθT+cosθR）|的四个估计。当在位置A处有一个干扰物体时，如图12（d）所示单调减小。图12（b）显示了PSD图，并且峰的位置（fλ）是估计值。我们可以看到，对于连续4个时间窗口，（fλ）正在减小。这些结果类似于没有干扰对象的情况。但是，当干扰物体（在图12（a）中的位置B）靠近目标与接收器/发射器之间的连接线时，| v（cosθT+cosθR）|如图12（c）和（d）所示，估计值显示出明显的变化，因此无法定位目标。为了减轻这个问题，我们不取如图12（c）所示的峰值位置fλ为| v（cosθT+cosθR）|，而是将与最大和第二大峰值对应的两个位置的平均值作为| v（cosθT+cosθR）|。如果我们发现这四个估计值不是单调下降的，并且第二大峰值大于最大峰值的50％。图12（d）显示，通过使用我们的方法获得新的| v（cosθT+cosθR）|，这4个估算值现在单调递减，并且与无干扰估算值相匹配的情况要比通过动态音乐方法获得的估算值好得多。 我们方法的定位误差（1 m）比动态音乐方法的定位误差（5.1 m）低得多。
图10：方向相关参数的四个相邻估计| v（cosθT+cosθR）|。这些估计是对应于PSD曲线峰值的归一化频率
图11：避免本地化歧义。 热图显示的可能性很可能划分为目标的初始位置。 Tx和Rx的坐标分别是（0，0）和（10，0），用黑色正方形突出显示地面真实情况。从（a）中，我们可以看到所有网格软件在| v（cosθT+cosθR）|相同的值下产生了最差的颜色，从而导致了很多本地化歧义。
图12：多径干扰表示。 该图表明，当干扰对象靠近目标与接收器/发射器之间的连接线（如位置B）时，过去基于AoA的多径消除解决方案将失败。 我们的方法具有解决问题的能力。
图13：当干扰对象位于图12（a）所示的Bas位置时，使用过去（5.1 m）和我们的（1 m）多径消除方法的定位误差。
图14：评估方案。 我们在露天广场（a），地下停车场（b），中层建筑17-高层建筑（c）中对WIDESEE进行评估。
4评估
4.1实验设置和路线图进行了两组现场实验，以评估WIDESEE在检测和定位人类目标上的效果：无人驾驶的实地实验和无人驾驶飞机的实地实验。
4.1.1没有无人机的野外实验。
我们想提供一个定量评估，以证明我们的设计选择合理，并确定LoRa传感的研究机会和局限性。为此，我们在第4.2.1节中评估发射器和接收器之间的距离如何影响LoRa的感应范围。在第4.2.2节中，我们报告了我们的天线设计在检测移动的人类目标方面的性能，并将其与使用全向和喇叭式天线的两种替代设计进行了比较。然后，在第4.2.3节中评估LoRa在检测三种不同人类活动中的穿透能力，然后在第4.2.4节中报告系统的定位精度。最后，在第4.2.5节中，我们评估人类目标的行走速度对检测和定位精度的影响。 LoRa收发器对放置在地面上方1 m处，在地面上进行了控制实验，以检测单个移动的人类目标。在现场研究中，我们使用无人机携带收发器对。
4.1.2用无人机进行文件学习。 在现场研究中，我们使用无人机携带LoRa收发器对来检测并定位图14（c）所示建筑物中的人类目标。 我们报告了检测人类目标的存在的性能以及以不同的无人机速度定位人类目标的准确性。 结果在第4.3节中给出。
4.1.3评估指标。 我们计算检测人类目标存在的准确性为：其中C是测试次数，Hm，c和Ht，c分别是WIDESEE和cth测试中地面真相的输出。
图15：发射器-接收器距离对可检测距离（感测范围）的影响。 WIDESEE可以在开放广场内检测到与收发器对的距离最大为53 m的移动物体。
图16：比较我们的方法和尺寸相似的替代定向天线之间的检测精度（a）和区域（b）。 我们的天线设计在准确的检测精度范围内达到了最佳平衡。
4.2现场实验无故障
4.2.1在不同的发射器-接收器距离下的感测范围。
在此实验中，我们以2 m的步长将发射器与接收器之间的距离（即，发射器与接收器之间的距离）从1 m更改为59 m。测试在图14（a）所示的空心正方形中进行。在每个收发器对设置中，我们要求目标从随机选择的位置开始沿收发器对的垂直平分线走100次，每次走动距离为3 m。请注意，每次我们都将起点从收发器对中移开，直到我们在该点检测不到用户为止。如果我们能够正确检测到该位置超过90％的时间，则认为该位置是可检测的。我们计算了每个可检测位置与收发器对的中间点之间的距离，以找到给定的最大可能检测距离（即检测范围）设置。图15显示了发射器-接收器距离如何影响WIDESEE的感应范围。我们看到，随着发射器-接收器距离的增加，感应距离的调节范围也随之增大。但是，它达到了53 m的可检测距离的平台。这表明WIDESEE在相对理想的环境（空心正方形）中可以为移动目标实现53 m的感应范围。这种感应范围是对WiFi，RFID和基于mmWave的系统的显着改进，后者的感应范围在6 m以下[47，51，55]。但是，我们认为，考虑到千米级别的通讯范围，通过谨慎地进行信号处理，有可能进一步扩大该感应范围，我们将其视为重要的未来工作。
4.2.2我们的天线系统评估。
本实验旨在评估我们的天线系统在人类目标检测中的性能。我们将我们的设计与使用尺寸相似的全向[1]和喇叭式（RFMAX [5]）天线的两种替代设计进行比较。我们的测试区域是一个开放的正方形，大小为42×48 m2，如图14（a）所示。我们将测试区域划分为224个块的网格，每个块3×3 m2。像之前的实验一样，我们要求人类目标选择任何块，然后自然地在块内移动。我们确保每个模块至少测试一次。图16表明我们的设计在检测精度和区域覆盖率之间取得了最佳平衡。在此实验中，我们报告了可检测的块数。请注意，这与第4.2.1节中的评估有所不同，在第4.2.1节中，我们对检测始终位于收发器对的垂直平分线上的目标的最大可能距离感兴趣。在此实验中，大多数模块不在收发器对的垂直平分线上。当我们将发射器与接收器的距离增加到超过36 m时，我们发现可检测块的数量有所减少。这主要是由于接收器天线的方向性。角向天线RFMAX可以实现第二高的检测精度，但它可以检测到最少的块。另一方面，全向天线可以覆盖更多的块，但是由于其对周围干扰的高灵敏度，它实现了最差的检测精度。由于信号聚焦和辐射方向切换，我们的天线实现的感应范围相对较大，并且在所有设置下均提供更高的检测精度。我们的方法具有更好的检测精度，这在很大程度上归功于其更窄的光束，从而导致信号更强，同时对非目标物体的干扰也更少。
4.2.3渗透测试。
我们还评估了WIDESEE穿透墙壁的能力。实验在地下车库中进行，如图14（b）所示，在测试大楼的第二层进行，如图14（c）所示。我们的评估包括四个设置–目标墙与收发器对之间没有墙壁和由钢筋混凝土制成的墙壁，且墙壁的厚度不同（三种分别为26 cm，52 cm和94 cm）。在穿墙实验中，我们将收发器对放置在距墙壁1.5 m处。
图17显示了结果。 如预期的那样，目标和收发器对之间的障碍越薄，WIDESEE越深可以成功检测到目标。 我们观察到目标的活动对可检测距离也有重大影响。 如果目标正在走动或挥动，WIDESEE可以分别成功地检测到长达15 m和13 m的目标。 WIDESEE还可以通过呼吸检测出静止的目标。 但是，检测距离是有限的，并且取决于壁的厚度。 这并不奇怪，因为活动越小且壁越厚，接收信号强度将越弱。 对于我们的实验，将壁厚增加20 cm将使接收信号强度降低约29 dB。 尽管如此，结果表明WIDESEE可以准确地检测到在建筑物内部深处移动或挥手的人类目标。
图17：渗透测试。 WIDESEE可以检测到位于壁厚为52cm的墙壁后面的静止的人类目标，而WIDESEE可以检测到深处侧壁的活动/行走目标。
图18：在两种大场景（10×25 m2）中，多径密度不同的情况下，定位误差的CDF图。（左）
图19：目标移动速度的影响。 目标的移动速度对检测几乎没有影响，但会影响定位。（右图）
4.2.4在不同的多路径环境中的定位精度。
我们在本节中报告多径如何影响定位精度。我们的评估环境是广场（图14（a））和地下停车场（图14（b））。从图14（b）可以看出，地下室由许多支柱支撑，因此具有丰富的多路径。两种环境下的测试区域大小均相同（10×25 m2），并将收发器距离设置为10 m。我们将测试区域划分为125个区块，每个区块的大小为2×1平方米。对于每个块，要求目标跟随相对于发射器-接收线具有0°，30°，45°，60°或90°度的预定直线行走。对于每条线，用户从街区的中心开始走了大约2 s。图18绘制了我们125个试验中定位误差的累积分布函数（CDF）。该图表明，对于我们超过50％的测试用例，本地化
空心广场和地下室的误差分别在2.1 m和2.7 m之内。这样的精确度足以在许多应用场景中定位人类目标，证明了使用单个LoRa收发器对进行传感的巨大潜力。我们进行了另一个实验，以显示我们的系统在较小区域内的跟踪精度。该实验是在位于图14所示建筑物中的较小房间中进行的。房间的大小为8×10 m2。在本实验中，发射器-接收器距离为6m。目标沿着5个字母“ BCIMO”的轨迹行进。恢复的轨迹（点）和地面真实轨迹（实线）一起显示在图20中。WIDESEE的中位定位误差为52 cm，这与IndoTrack达到的32 cm误差相当-状态为部署密集的无线WiFi跟踪系统[51]。该实验表明，WIDESEE能够在较小的区域内以较高的精度跟踪目标。
4.2.5目标移动速度的影响。
本实验研究目标的步行速度对检测和定位的影响。我们考虑三种步行速度：慢速（0.5±0.2 m / s），平均（1±0.2 m / s）和快速（2±0.2 m / s）。我们在图14（a）所示的空心正方形中进行了实验。图19显示目标的移动速度对目标检测几乎没有影响，但确实会影响定位精度。当目标分别以慢速，平均和快速移动时，我们观察到1.7 m，2 m和2.5 m的定位误差。这主要归因于身体运动（例如，手臂摆动）–步行速度越快，身体运动就越剧烈–身体运动越剧烈，就越难满足我们用于定位的条件（请参见等式7）。
图20：跟踪结果显示了一个较小的房间，面积为6×8平方米。 WIDESEE的中值跟踪误差为52 cm，与使用两个WiFi收发器对的最新技术相当[51]。
图21：建筑规模的实验设置。
图22：在各种规模的无人机飞行速度下，建筑规模研究中的目标检测精度。
图23：由我们和Dynamic-Music的多路径消除方案给出的本地化误差的CDF图。
4.3
建筑规模现场研究
在本领域的研究中，我们将WIDESEE与无人驾驶飞机配合使用（参见图2），从而对建筑规模进行感知。任务检测并跟踪位于17层建筑结构9层20毫米×85立方米的9楼的人类目标（图14（ c）..请注意，在我们进行实验时，这栋新建筑没有人居住。 混凝土墙和玻璃窗的厚度分别为40厘米和5厘米。 发射器和接收器之间的距离为2 m。 10名学生志愿者参加了这项研究，并以此为目标。 图21显示了实验设置。 将学生分为三组进行固定（呼吸）（2学生），挥舞（4个学生）和步行（4个学生）活动，并且位于同一层的房间中。我们手动将无人机控制在第9层的初始位置，并使用基于软件的控制模块（第3.2.2节）来控制无人机的控制。我们在实验中改变了无人机的飞行速度。
4.3.1检测人类的存在。
图22显示了每个走路和挥手的人类目标的检测精度。当无人机以1±0.2 m / s的低速飞行时，WIDESEE可以成功检测到分别行走和挥舞的98％和96％的人类目标。正如预期的那样，检测精度会随着无人机速度的提高而降低，但是WIDESEE仍然能够在目标走动或挥动时的大部分时间内检测到目标。当设备放在无人机上且目标与设备之间的距离很远（> 5 m），并且两者之间有一个40厘米的钢筋混凝土墙时，WIDESEE无法检测到静止的（呼吸）目标。如何通过呼吸感应提高对静止人体目标的检测精度是我们未来工作的重要方向之一。但是，我们当前的实施方式对于灾难救援来发现有意识的幸存者已经很有用，其中许多幸存者倾向于挥手吸引救援者的注意力。
4.3.2定位精度。
一旦检测到移动目标，我们将无人机悬停2秒钟以收集目标移动信息，并应用第3.3.3节中描述的定位算法来估计目标位置。图23比较了我们的方法与动态音乐[52]的定位误差。如我们所见，我们的方法比动态音乐具有更好的定位精度。对于90％以上的测试用例，它可以将定位误差从8 m减小到4.6 m。尽管4.6 m定位误差直观上很大，但它使我们能够确定哪个房间或大约
人类目标位于建筑物的哪个区域。这在灾难紧急救援中特别有用，因为我们非常需要缩小幸存者的搜索范围。
5讨论
作为将LoRa信号用于传感的首次尝试，存在改进的空间和进一步的工作。我们在这里讨论一些问题。
不移动的目标定位：通过感知他/她的呼吸或诸如挥舞之类的就地活动，可以检测出不移动的人类目标。请注意，通壁呼吸感测的感测范围仍然是有限的，因为由壁错引起的信号衰减和呼吸运动引起的信号变化（5mm胸部位移）很小，并且很容易被噪声掩盖。我们计划探索利用波束赋形技术[24、53、59]来放大弱反射信号以在将来增加呼吸感应范围的可行性。如Farsense [56]所示，使用天线阵列进行仔细的信号处理是增加感测范围的另一个有希望的方向。
通过设备移动实现目标定位。在本文中，当目标移动时，我们可以使用一对收发器对目标进行定位。请注意，当传感设备也在移动时，我们的系统无法定位目标。这是因为我们基于两次反射的动态多径比直接目标反射的信号弱得多的事实消除了动态多径干扰。但是，如果发送器/接收器也在移动，则原始静态路径也将变为动态路径，该动态路径可能比直接目标反射的信号要强，因此在这种情况下我们无法摆脱动态多路径的影响，从而导致较大的定位误差。
多目标感测。 由于目标反射的信号混合在一起，因此我们无法同时检测和定位多个目标，并且以有限的信道带宽分离混合信号非常困难。 在我们未来的工作中，我们计划采用天线阵列将发射功率集中在一个方向上，并利用盲信号分离算法[16，54]来分离混合信号以进行多目标感测。 尽管有这些限制，WIDESEE仍朝着实现广域非接触感测迈出了重要的一步。 我们相信WIDESEE为该领域的未来研究提供了有价值的参考。
- 相关工作
我们的工作与两个领域的文献有着广泛的联系。
6.1 人类活动识别
基于计算机视觉的人类活动传感技术已经有了成熟的应用。例如，Kinect和Leap Motion可以实现细粒度的人体手势跟踪。然而，这些系统对光照条件和监视角度敏感，当目标被阻挡或在墙后时无法工作。基于可穿戴传感器的解决方案克服了上述限制，但仍给用户带来不便，因为他们需要检测用户。然而，假设每个目标都有在紧急情况下可穿戴的工作服是不现实的。
与基于视觉或可穿戴的解决方案相比，基于无线信号的人类活动识别系统可以穿透墙壁，不需要用户携带或佩戴设备。该领域的早期工作使用多个收发器对来构造无线链路的3D晶格，以识别人类运动的存在。后来的工作尝试使用一个装备有多个天线的设备来实现活动识别。例如，Wise可以借助机器学习技术区分九种常见的身体姿势。基于学习的方法的有效性取决于训练数据的质量，但是获得高质量的训练数据仍然是昂贵且非琐碎的。例如，CrossSense需要收集数千个样本，以便在一个给定的环境中学习单个活动识别模型。WIDESEE通过开发用于活动识别的分析模型，避免了基于学习的方法的陷阱。它收集数据样本的工作量大大减少，并且可以移植到不同的环境中。
最近的研究还表明，利用无线信号可以感知呼吸，心率，甚至情感。但是，以前的方法只能在小规模（例如，房间级别）下工作，需要密集部署才能在大面积上工作。WIDESEE建立在过去人类活动建模的基础上，利用LoRa收发器对将非接触式人类感知的范围扩展到更广阔的领域。我们的工作旨在缩小无线传感在城市地区救灾以及恐怖分子搜索和安全监视方面的差距。
-
- 室内定位与跟踪
在定位和跟踪物体方面有大量的工作。以前的工作可以大致分为两类：基于设备的方法和无设备的方法。
无设备方法的优点是不需要最终用户携带设备。通过解除携带设备的限制，与基于设备的方法相比，无设备方法可以针对更广泛的应用。因此，WIDESEE遵循无设备（非接触）方法。
目标定位和跟踪可以通过一系列无线信号特性来实现，包括AoA、ToF和信号幅度。基于振幅的方法简单且经济，但由于障碍物引起的附加信号衰减和室内多径造成的严重振幅波动，定位精度较差（特别是在非视线条件下）。利用相位信息（如AoA）的方法可以有效地分离多径，而要获得良好的分辨率和精度，需要在接收端有一个大的天线阵。基于ToF的方法也不理想，因为它们受到频率带宽的限制。
WIDESEE是第一次尝试用单一的LoRa收发器对实现非接触式广域传感。它是通过结合长距离通信的Lora信号和无人机的机动性来实现的。然而，要实现这一目标，需要克服两个挑战：（1）使用单个LoRa收发器对时的服务多径效应；（2）没有关于LoRa的可用相位或ToF信息的障碍。受[31]的启发，WIDESEE从振幅测量中提取与方向相关的信息进行定位，但它依靠单个而不是多个收发器对来推进先前的工作。wideee采用了一套新的算法来消除由一对收发信机引起的定位模糊。Wideee还利用和改进了现有的多路径消除方法[52]。这一结果是一个很有前途的解决方案，使用一个单一的收发器对广域非接触传感，这可能开辟许多新的研究机会。
7 结论
本文介绍了一种只用一对收发信机就可以实现广域无线感知的软硬件系统WIDESEE。WIDESEE利用LoRa信号实现更好的穿墙穿透和更大的感应范围。为了进一步扩大感测区域，WIDESEE使用无人机携带收发机以提高感知覆盖。然而，单对Lora收发器和设备移动性的结合带来了严重干扰和感知模糊性（如定位）的新挑战。为了应对这些挑战，我们在硬件和软件层设计了一套技术，可以应用到许多无线传感应用中。我们相信，WIDESEE朝着广域无线传感迈出了重要的一步，在现实世界的紧急情况下，如灾难救援和恐怖分子搜索中具有很强的吸引力。