MobiCom 2024 | MSense:突破运动干扰下的mmWave无线感知极限 | MSense: Boosting Wireless Sensing Capability UnderMoti
无线感知/雷达成像部分最新工作 <持续更新>: 链接地址
注1:本文系“无线感知论文速递”系列之一,致力于简洁清晰完整地介绍、解读无线感知领域最新的顶会/顶刊论文(包括但不限于 Nature/Science及其子刊; MobiCom, Sigcom, MobiSys, NSDI, SenSys, Ubicomp; JSAC, 雷达学报 等)。
本次介绍的论文是: MobiCom 2024 | MSense:突破运动干扰下的mmWave无线感知极限 | MSense: Boosting Wireless Sensing Capability UnderMotion Interference
论文链接: https://hal.science/hal-04483416/document
论文速览 | MobiCom 2024 | MSense:突破运动干扰下的mmWave无线感知极限 | MSense: Boosting Wireless Sensing Capability UnderMotion Interference
1. 引言
无线感知技术 近年来百花齐放,各种无线信号如WiFi、RFID、LoRa、UWB、LTE、mmWave和声波等被广泛用于人体活动检测、手势识别、呼吸监测等应用。然而,无线感知系统面临一个根本性的局限,即感知设备和人体必须保持静止 。当设备或人体运动时,运动引起的信号变化会与感兴趣目标(如胸部呼吸运动)引起的信号变化混合在一起,导致感知失败。
本文提出了MSense,一种通用的方法来处理无线感知中的设备和人体运动干扰 。作者建立了同时考虑设备运动和人体运动干扰的感知模型。通过纯粹的信号处理提取人体和设备运动的影响,进而消除运动干扰,实现精确感知。全面实验表明了该方案的有效性。MSense具有通用性,可应用于周期性和非周期性运动感知任务。
2. 研究动机
现有无线感知系统依赖于信号变化 进行感知。当设备或人体保持静止时,感兴趣目标(如眼睛)的运动会引起反射信号相位或频率的变化,通过分析这些变化即可实现感知。然而,现实场景中经常伴随着设备和人体的其他运动 ,如:
- 疲劳驾驶检测时,汽车的颠簸会引起设备和人体运动
- 锻炼过程中人体呼吸监测,全身会剧烈运动
- 当感知设备放在移动机器人上时,设备本身会运动
这些大尺度的运动会掩盖感兴趣信号的微小变化。虽然最近的一些工作尝试解决这个问题,但它们只适用于周期性运动(如呼吸) ,无法感知非周期性运动(如手势)。在存在人体运动和设备运动的复杂场景下,问题变得更具挑战性。
3. MSense感知模型与方法
3.1 同时考虑设备运动和人体运动的感知模型
以驾驶员疲劳检测为例。汽车颠簸会引起人体运动 \Delta R_{body,tar}(t) 和设备运动 \Delta d_{dev}(t),使得眼睛反射信号传播路径发生变化 \Delta R_{dev,tar}(t)。眼睛反射信号的相位变化为:
y^\prime(t)=H_{tar}e^{jK(\Delta R_{tar}(t)+\Delta R_{body,tar}(t)+\Delta R_{dev,tar}(t))}+\sum ^M _{m=1} H_m e^{jK(\Delta R_{body,m}(t)+\Delta R_{dev,m}(t))}
其中 \Delta R_{tar}(t) 是眨眼运动, M 是其他身体部位数量, \Delta R_{body,m}(t) 和 \Delta R_{dev,m}(t) 分别是第 m 个身体部位的人体运动和设备运动引起的相位变化。可以看出,目标信号中掺杂了人体运动和设备运动的干扰 ,无法直接感知眨眼动作。
3.2 消除人体运动和设备运动干扰的方法
作者提出了一种两阶段方法来消除人体运动和设备运动干扰:
- 利用空间波束赋形,从混合信号中提取目标身体部位(如眼睛)的反射信号
- 选择一个与目标部位具有相同人体运动和设备运动的参考部位(如前额),提取其反射信号。通过除法运算消除两个信号中的共同运动:
y_{new}(t)=\frac{y_{tar}(t)}{y_0(t)} =\frac{H_{tar}}{H_0}e^{jK\Delta R_{tar}(t)} =H_{new}e^{jK\Delta R_{tar}(t)}
消除运动后,得到的 y_{new}(t) 只包含了感兴趣运动 \Delta R_{tar}(t) 的信息,实现了在存在人体运动和设备运动干扰下的感知。
4. 实验与结果
作者使用TI IWR1843mmWave雷达实现了MSense,并在3个具有代表性的应用中评估其性能:
行驶汽车中驾驶员疲劳检测 :精准检测到驾驶员的眨眼、打哈欠和点头等疲劳特征。同时避免了汽车颠簸引起的误判。
锻炼过程中的呼吸监测 :在8种不同锻炼强度下,MSense的呼吸频率估计误差都在0.73次/分以内。而基线方法由于人体运动干扰,误差高达15次/分。
移动机器人上的手势识别 :通过提取手部和腹部的反射信号,并除法消除设备运动,MSense对5种手势的识别准确率都在93%以上。
5. 局限性与未来展望
天线数量 :当前使用8个天线进行角度估计和波束赋形。更多天线意味着更高的角度分辨率,可以更好地区分两个相邻身体部位的信号,提高感知精度和距离。
场景适用性 :虽然MSense能够抵抗人体运动和设备运动,但仍然需要人体保持相对静止。如果人体剧烈运动改变了身体部位之间的相对位置,则难以找到合适的参考身体部位进行运动消除。未来可探索更鲁棒的方案。
其他无线感知系统 :除mmWave雷达外,MSense可应用于其他具有高距离和角度分辨率的系统,如UWB。对于WiFi等窄带信号,由于距离分辨率有限,不同身体部位的反射信号混叠难以分离。不过即将到来的WiFi 7带来了更大的信号带宽和天线数,MSense有望用于未来的WiFi感知。
6. 总结
MSense创新性地提出了一种纯信号处理的方法,通过巧妙地选择参考身体部位并利用除法运算,有效消除了人体运动和设备运动对无线感知的干扰。MSense具有通用性,可用于感知周期性和非周期性运动, 将无线感知推向实际应用场景迈出了关键一步。未来,随着天线阵列等硬件的进一步发展,相信MSense的性能会愈发出色。让我们一起期待无线感知技术在智慧家居、智慧医疗等领域创造更多可能!