CN109073389B - 用于物体跟踪的方法、装置、服务器和系统 - Google Patents
用于物体跟踪的方法、装置、服务器和系统 Download PDFInfo
- Publication number
- CN109073389B CN109073389B CN201780028508.4A CN201780028508A CN109073389B CN 109073389 B CN109073389 B CN 109073389B CN 201780028508 A CN201780028508 A CN 201780028508A CN 109073389 B CN109073389 B CN 109073389B
- Authority
- CN
- China
- Prior art keywords
- movement
- csi
- distance
- time series
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0273—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves using multipath or indirect path propagation signals in position determination
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/026—Services making use of location information using location based information parameters using orientation information, e.g. compass
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
- H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
- G01S2205/02—Indoor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S2205/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S2205/01—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications
- G01S2205/09—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations specially adapted for specific applications for tracking people
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
当前教导涉及在富足散射环境中的基于时间反演技术的物体跟踪。在一个例子中,公开了用于实时地跟踪物体的移动的方法。该方法可在至少包括处理器和与处理器通信地耦合的存储器的机器上实现。该方法可包括:获得在物体的移动之前的物体的初始位置;从被物体的移动影响的多径信道获得至少一个无线信号;从至少一个无线信号提取多径信道的信道状态信息(CSI)的时间序列;基于CSI的时间序列来确定物体的移动的距离;估计物体的移动的方向;以及基于距离、方向和初始位置来确定在移动之后的物体的新位置。
Description
相关申请的交叉引用
本申请要求2016年4月14日提交的标题为“TIME-REVERSAL RESONATING EFFECTAND ITS APPLICATION IN WALKING SPEED ESTIMATION”的美国专利申请号62/322,575、2016年5月10日提交的标题为“TIME-REVERSAL TRACKING WITHOUT MAPPING”的美国专利申请号62/334,110以及2016年10月18日提交的标题为“METHODS,DEVICES,SERVERS,ANDSYSTEMS OF TIME REVERSAL BASED TRACKING”的美国专利申请号62/409,796的优先权,这些专利申请通过引用被全部并入本文。
技术领域
本教导通常涉及物体跟踪。更具体地,本教导涉及在富足散射环境(例如室内环境或都市区域)中的基于时间反演技术的物体跟踪。
背景技术
室内基于位置的服务如今变得越来越重要。一种流行的方法是使用航位推算法来实时地估计移动物体的位置。通常,移动方向和移动距离由惯性测量单元(IMU)估计。然而,在基于航位推算的方法中的移动距离估计的性能是远不能令人满意的,这是这样的室内导航系统现在仍然不流行的主要原因。
估计在室内环境中的移动物体的速度——这可帮助基于位置的服务——也是开放的问题,且还没有令人满意的结果出现。多普勒效应已经广泛应用于使用声波、微波或激光的不同的速度估计系统。然而,使用多普勒频移(特别是使用电磁(EM)波)来估计低速(例如人行走速度)是非常难的。这是因为最大多普勒频移是大约其中f0是所传输的信号的载波频率以及v是人行走速度。在正常人行走速度v=5.0km/h和f0=5.8GHz下,Δf是大约26.85Hz,且以高准确度估计这个微小的量是极其困难的。此外,这些方法需要视线(line-of-sight)条件,且在具有富足多径反射的复杂室内环境中表现得很差。
适用于户外环境的大部分现有速度估计方法未能对室内环境提供令人满意的性能,因为在室内环境中直接路径信号被多径信号干扰,且直接路径信号的到达时间(或多普勒频移)不能被准确地估计。然后,研究人员聚焦于最大多普勒频率的估计,其可用于估计移动速度。提出了各种方法,例如电平交叉率法、基于协方差的方法和基于小波的方法。然而,这些估计器提供了不令人满意的结果,因为在这些估计器中使用的统计具有大的方差,且在实际情形中是位置相关的。例如,一种现有的速度估计方法的准确度只能区分开移动台是以快速度(高于30km/h)还是以慢速度(低于5km/h)移动。
另一种基于传统行人航位推算算法的室内速度估计方法是使用加速度计来检测步伐并估计步伐长度。然而,行人常常有不同的步幅长度,其可能在同一速度下改变多达40%,且对同一人的各种速度改变多达50%。因此,需要校准以得到不同个体的平均步幅长度,这在实际应用中是不实际的且因此没有被广泛采用。
发明内容
当前教导通常涉及物体跟踪。更特别地,当前教导涉及在富足散射环境(例如室内环境或都市区域)中的基于时间反演技术的物体跟踪。
在一个例子中,公开了用于实时地跟踪物体的移动的方法。该方法可在至少包括处理器和与处理器通信地耦合的存储器的机器上实现。该方法可包括:获得在物体的移动之前的物体的初始位置;从被物体的移动影响的多径信道获得至少一个无线信号;从至少一个无线信号提取多径信道的信道状态信息(CSI)的时间序列;基于CSI的时间序列来确定物体的移动的距离;估计物体的移动的方向;以及基于距离、方向和初始位置来确定在移动之后的物体的新位置。
在另一例子中,公开了用于跟踪电梯的实时位置的方法。该方法可在至少包括处理器和与处理器通信地耦合的存储器的机器上实现。该方法可包括:从测量单元获得第一输出,测量单元耦合到电梯使得测量单元具有相对于电梯的固定位置,其中第一输出代表电梯的加速度的原始估计;从测量单元获得第二输出,其中第二输出代表在与电梯相同的位置处的重力的测量;基于第一输出和第二输出来计算在当前时隙中在垂直方向上的电梯的加速度;获得在前一时隙中计算的在垂直方向上的电梯的先前速度;以及基于加速度和先前速度来确定电梯是否正在移动。
在又一例子中,公开了用于实时地跟踪物体的移动的系统。该系统可包括:接收器,配置成从被物体的移动影响的多径信道接收至少一个无线信号;处理器;以及与处理器通信地耦合的存储器。处理器配置成:获得在物体的移动之前的物体的初始位置;从至少一个无线信号提取多径信道的CSI的时间序列;基于CSI的时间序列来确定物体的移动的距离;估计物体的移动的方向;以及基于距离、方向和初始位置来确定在移动之后的物体的新位置。
在再一例子中,公开了用于跟踪电梯的实时位置的系统。该系统可包括:测量单元,其耦合到电梯,使得测量单元具有相对于电梯的固定位置,其中测量单元配置成:产生代表电梯的加速度的原始估计的第一输出,并产生代表在与电梯相同的位置处的重力的测量的第二输出;处理器;以及与处理器通信地耦合的存储器,其中处理器配置成:基于第一输出和第二输出来计算在当前时隙中在垂直方向上的电梯的加速度,获得在前一时隙中计算的在垂直方向上的电梯的速度,以及基于加速度和速度来确定电梯是否正在移动。
在不同的例子中,公开了用于检测在场所中的物体移动的系统。该系统可包括:发射机,其配置成发射至少一个无线信号;接收机,其配置成接收可被场所中的物体移动影响的至少一个无线信号;处理器;以及与处理器通信地耦合的存储器。处理器配置成:从至少一个无线信号提取CSI的一个或多个时间序列;基于CSI的一个或多个时间序列来计算统计值,其中统计值代表在场所中的物体移动的程度;以及基于统计值来确定在场所中是否存在物体移动。
在不同的例子中,公开了用于跟踪电梯的门的状态的系统。该系统可包括:发射机,其配置成发射至少一个无线信号;接收机,其配置成接收可被门的状态影响的所述至少一个无线信号,其中发射机和接收机中的至少一个位于电梯内;处理器;以及与处理器通信地耦合的存储器。处理器配置成:基于至少一个无线信号来获得信号测量的时间序列;通过减轻异常值和噪声测量来过滤信号测量的时间序列以产生多个经过滤的测量值,其中每个测量值与相应的时隙相关联;以及基于与时隙相关联的经过滤的测量值和阈值来确定在每个时隙中电梯的门是关闭的还是打开的。
在另一例子中,公开了用于确定基于TR的系统所需的最小带宽的方法。该方法可在至少包括处理器和与处理器通信地耦合的存储器的机器上实现。该方法可包括:确定与基于TR的系统相关联的应用,其中该应用选自包括下列操作中的至少一个的多个应用:实时地跟踪物体的移动,跟踪电梯的实时位置,检测场所中的物体移动,跟踪电梯的门的状态,以及基于TR的通信;当该应用被确定为是基于TR的通信时,基于最大化基于TR的系统的频谱效率的带宽来确定基于TR的系统所需的最小带宽;以及当该应用被确定为不是基于TR的通信时,基于在基于TR的系统中的天线的数量并基于与该应用有关的一个或多个特征来确定基于TR的系统所需的最小带宽。
在当前教导中的其它例子可包括针对富足散射环境中的基于时间反演技术的物体跟踪的系统、方法、介质、设备、服务器和其它实现。
其它概念涉及用于在探究富足散射环境中的基于时间反演技术的物体跟踪的计算、存储、应用或处理时实现当前教导的软件。根据这个概念,软件产品包括至少一个机器可读非临时介质和由介质携带的信息。由介质携带的信息可以是可执行程序代码数据、与可执行程序代码相关联的参数和/或与用户、请求、内容有关的信息或与社会团体有关的信息等。
额外的新颖特征将部分地在接下来的描述中被阐述,且在检查接下来的和附随的附图时部分地将对本领域中的技术人员变得明显或可通过例子的产生或操作来被了解。可通过在下面讨论的详细例子中阐述的方法、手段和组合的各种方面的实践或使用来实现并获得当前教导的新颖特征。
附图说明
图1A示出根据当前教导的实施方式的用于基于TR的物体跟踪的示例性应用;
图1B示出根据当前教导的实施方式的用于基于TR的物体跟踪的另一示例性应用;
图1C示出示范图,其示出根据当前教导的实施方式的物体跟踪的一般实现;
图2示出根据当前教导的实施方式的时间反演传输方案的示例性示意图;
图3示出根据当前教导的实施方式的在焦斑周围的示例性空间时间反演共振强度(TRRS)分布;
图4示出根据当前教导的实施方式的焦斑的示例性时间归一化接收信号分布;
图5示出根据当前教导的实施方式的典型室内环境,其中信道冲激响应(CIR)被收集;
图6示出根据当前教导的实施方式的CIR抽头的实部和虚部的示例性经验累积分布函数(CDF);
图7示出根据当前教导的实施方式的在CIR中的每个抽头的归一化增益的示例性指数衰减;
图8示出根据当前教导的实施方式的在来自具有变化的距离d的两个CIR的不同抽头之间的示例性样本相关系数矩阵;
图9示出根据当前教导的实施方式的相对于到焦斑的距离的示例性TRRS衰减;
图10示出根据当前教导的实施方式的在当D=2cm时的55个不同的位置上的空间衰减偏差度量的示例性值和相应的经验CDF;
图11示出根据当前教导的实施方式的具有各种D的空间衰减偏差度量的示例性经验CDF;
图12示出根据当前教导的实施方式的与实际距离比较的估计距离的示例性分布;
图13示出根据当前教导的实施方式的使用802.11n Wi-Fi系统的具有变化的有效带宽的示例性TR空间共振衰减函数的平均值;
图14示出根据当前教导的实施方式的具有变化的有效带宽的TR空间共振衰减函数的方差的图示;
图15示出在分析中的极坐标的图示。根据当前教导的实施方式,每个多径分量(MPC)由它的总行进距离、到达的方向和功率增益表示;
图16示出根据当前教导的实施方式的在理论TRRS衰减曲线和实验测量之间的比较;
图17示出根据当前教导的实施方式的当发射机或接收机正移动时随着时间的过去的TRRS衰减的图示;
图18示出根据当前教导的实施方式的基于TRRS的方向估计的图示;
图19示出根据当前教导的实施方式的基于来自多个天线的TRRS的旋转估计的图示;
图20示出根据当前教导的实施方式的基于来自多个天线的TRRS的平移位移估计的图示;
图21是示出根据当前教导的实施方式的物体跟踪的示例性过程的流程图,其中移动方向的估计基于IMU;
图22是示出根据当前教导的实施方式的物体跟踪的示例性过程的流程图,其中移动方向的估计基于在不同的发射机/接收机(TX/RX)天线之间的TRRS衰减模式;
图23示出根据当前教导的实施方式的不同传感器的对移动方向估计的输出的示例性融合;
图24A示出根据当前教导的实施方式的在重力g的方向上的陀螺仪输出矢量投影的图示;
图24B示出根据当前教导的实施方式的在水平面中的磁性传感器输出矢量投影的图示;
图25A示出根据当前教导的实施方式的用于移动方向估计的传感器输出融合的示例性算法;
图25B示出根据当前教导的实施方式的来自不同传感器的输出的示例性相关模式;
图26示出根据当前教导的实施方式的在具有一个起点和一个Bot的物体跟踪系统中的各种部件之间的连接的示例性图示;
图27A示出根据当前教导的实施方式的使用从Bot发送的上行链路探测的多Bot跟踪的示例性架构;
图27B示出根据当前教导的实施方式的使用从起点发送的下行链路探测的多Bot跟踪的示例性架构;
图28示出根据当前教导的实施方式的在具有多个起点和多个Bot的物体跟踪系统中的各种部件之间的连接的示例性图示;
图29示出根据当前教导的实施方式的物体跟踪系统的示例性软件实现的流程图;
图30示出根据当前教导的实施方式的电梯跟踪算法的示意图;
图31示出根据当前教导的实施方式的在典型建筑物中的电梯跟踪模块的示例性实验结果;
图32示出根据当前教导的实施方式的在典型建筑物中的电梯跟踪模块的另一示例性实验结果;
图33示出根据当前教导的实施方式的移动检测器的示例性示意图;
图34示出根据当前教导的实施方式的电梯门检测算法的培训过程的示例性示意图;
图35示出根据当前教导的实施方式的电梯门检测算法的实时监控过程的示例性示意图;
图36示出根据当前教导的实施方式的时间反演分多址与多天线的(TRDMA-MA)上行链路系统的示范图;
图37示出根据当前教导的实施方式的在单个天线的情况下的所捕获的能量的百分比相对于显著特征值的数量的关系曲线;
图38示出根据当前教导的实施方式的在变化的带宽的情况下的显著特征值的数量;
图39示出根据当前教导的实施方式的在用户的数量N=5、变化的M、ρ=20dB和D=20的情况下在基本TR波形成之下的单独用户的频谱效率与L的关系曲线;
图40示出根据当前教导的实施方式的在用户的数量N=5、变化的M、ρ=20dB和D=4的情况下在基本TR波形成之下的单独用户的频谱效率与L的关系曲线;
图41示出根据当前教导的实施方式的在N=5、M=2和变化的D的情况下在基本TR波形成之下的单独用户的频谱效率;
图42示出根据当前教导的实施方式的在M=2、D=20和变化的N的情况下在迫零(ZF)波形成之下的单独用户的频谱效率;
图43示出根据当前教导的实施方式的在M=2、D=4和变化的N的情况下在ZF波形成之下的单独用户的频谱效率;
图44示出根据当前教导的实施方式的在N=5、ρ=20dB和D=20的情况下在ZF波形成之下的单独用户的频谱效率与L的关系曲线;
图45示出根据当前教导的实施方式的在N=5、ρ=20dB和D=2的情况下在ZF波形成之下的单独用户的频谱效率与L的关系曲线;
图46示出根据当前教导的实施方式的在N=5、M=2和变化的D的情况下在ZF波形成之下的单独用户的频谱效率;
图47示出根据当前教导的实施方式的在变化的D和N的情况下的次优L;
图48示出根据当前教导的实施方式的在M=2、D=20和变化的N的情况下的单独用户的频谱效率;以及
图49示出根据当前教导的实施方式的在M=2、D=2和变化的N的情况下的单独用户的频谱效率。
具体实施方式
在下面的详细描述中,作为例子阐述了很多特定的细节,以便提供对相关教导的透彻理解。然而,对本领域中的技术人员应明显,当前的教导可在没有这样的细节的情况下被实施。在其它实例中,在相对高的水平处而非详细地描述了公知的方法、过程、部件和/或电路,以避免不必要地使当前教导的方面模糊。
当前教导公开了物体跟踪系统、时间反演室内跟踪系统(TRITS),其可基于由在富足多径环境中的时间反演共振/聚焦效应引起的特殊属性来跟踪移动物体的实时位置。当前教导公开了新发现:由于很多多个信号路径的和,时间反演聚焦效应的能量分布展示了静态的但位置无关的属性,其可用于估计在典型真实世界室内环境中的移动物体的速度。然后,基于物体的移动速度的准确估计,当前教导通过结合速度估计和移动方向的估计(后者可从IMU获得)公开了物体跟踪系统。
在一个例子中,公开了用于实时地跟踪物体的移动的方法。该方法可在至少包括处理器和与处理器通信地耦合的存储器的机器上实现。该方法可包括:获得在物体的移动之前的物体的初始位置;从被物体的移动影响的多径信道获得至少一个无线信号;从该至少一个无线信号提取多径信道的信道状态信息(CSI)的时间序列;基于CSI的时间序列来确定物体的移动的距离;估计物体的移动的方向;以及基于距离、方向和初始位置来确定在移动之后的物体的新位置。在移动期间,物体可携带下列项中的至少一个:发射至少一个无线信号的发射机;接收该至少一个无线信号的接收机;以及配置用于方向估计的传感器。
在一个实施方式中,确定物体的移动的距离包括:清除CSI的时间序列中的每个的相位偏移;基于在CSI的时间序列当中的每对连续CSI来计算相似性分数以获得多个计算出的相似性分数,其中多个计算出的相似性分数中的每个指示在相应的一对CSI之间的相似性程度;基于多个计算出的相似性分数来计算平均相似性分数,其中平均相似性分数指示与物体的移动相关联的空间共振衰减的程度;以及比较平均相似性分数与参考衰减曲线以获得估计的距离。在一个实施方式中,确定物体的移动的距离还包括:基于在CSI的时间序列中的第一个CSI和最后一个CSI来计算额外的相似性分数;比较额外的相似性分数与预定阈值;当额外的相似性分数超过预定阈值时将物体的移动的距离确定为零;以及当额外的相似性分数未超过预定阈值时将物体的移动的距离确定为估计的距离。可基于下列项中的至少一个来计算相似性分数:一对CSI的TRRS、互相关、自相关、两个矢量的内积、相似性分数、距离分数、相位校正、定时校正、定时补偿和相位偏移补偿。
在另一个实施方式中,确定物体的移动的距离包括:清除CSI的时间序列中的每个的相位偏移,其中根据采样周期来提取CSI的时间序列;基于在CSI的时间序列中的最近的CSI和在CSI的时间序列中的每个前面的CSI来计算相似性分数以获得相似性分数的时间序列,其中相似性分数的时间序列中的每个指示在最近的CSI和相应的前面的CSI之间的相似性程度;基于相似性分数的时间序列来确定曲线;识别曲线上的特征点;估计与曲线上的特征点对应的时间段;估计在时间段期间的移动的速度;以及基于速度和采样周期来获得物体的移动的估计的距离。确定物体的移动的距离还可包括:基于在CSI的时间序列中的第一个CSI和最后一个CSI计算额外的相似性分数;比较额外的相似性分数与预定阈值;当额外的相似性分数超过预定阈值时将物体的移动的距离确定为零;以及当额外的相似性分数未超过预定阈值时将物体的移动的距离确定为估计的距离。可基于下列项中的至少一个来计算相似性分数:一对CSI的TRRS、互相关、自相关、两个矢量的内积、相似性分数、距离分数、相位校正、定时校正、定时补偿和相位偏移补偿。可基于下列项中的至少一个来识别曲线上的特征点:曲线上的第一局部峰、曲线上的一个或多个其它局部峰、曲线上的第一局部底、曲线上的一个或多个其它局部底以及与曲线上的局部峰或局部底具有预定关系的点。在一个例子中,基于曲线上的第一局部峰来识别曲线上的特征点,以及基于与第一局部峰对应的相似性分数和在相似性分数的时间序列当中的两个相邻相似性分数来估计与第一局部峰对应的时间段。
在一个实施方式中,估计物体的移动的方向包括:从第一传感器获得物体的重力方向;从第二传感器获得物体的旋转信息;基于重力方向和旋转信息来确定坐标旋转速度;获得第二传感器的传感器读数间隔;基于坐标旋转速度和传感器读数间隔来计算方向变化;以及基于方向变化和先前估计的方向来估计移动的方向。从第二传感器获得物体的旋转信息可包括从陀螺仪获得物体的角速度。
在另一实施方式中,估计物体的移动的方向包括:获得从第一位置直接到第二位置的第一移动距离;获得从第二位置直接到第三位置的第二移动距离;获得从第一位置直接到第三位置的第三移动距离,其中基于CSI的时间序列来确定第一、第二和第三移动距离中的至少一个;以及根据三角法基于第一、第二和第三移动距离来估计物体的移动的方向。在另一实施方式中,估计物体的移动的方向包括:获得在多个天线上的在时间窗内的空间共振强度的多个平均衰减曲线;基于多个平均衰减曲线来确定至少一个模式;以及基于至少一个模式来估计物体的移动的方向。
在各种实施方式中,至少一个无线信号由接收机通过网络接收,该网络是互联网、网际协议网络和另一多址网络中的至少一个;且接收机与下列项中的至少一个的物理层相关:无线PAN、IEEE 802.15.1(蓝牙)、无线LAN、IEEE 802.11(Wi-Fi)、无线MAN、IEEE 802.16(WiMax)、WiBro、HiperMAN、移动WAN、GSM、GPRS、EDGE、HSCSD、iDEN、D-AMPS、IS-95、PDC、CSD、PHS、WiDEN、CDMA2000、UMTS、3GSM、CDMA、TDMA、FDMA、W-CDMA、HSDPA、W-CDMA、FOMA、1xEV-DO、IS-856、TD-SCDMA、GAN、UMA、HSUPA、LTE、2.5G、3G、3.5G、3.9G、4G、5G、6G、7G和更高代、另一无线系统和另一移动系统。
在另一例子中,公开了用于跟踪电梯的实时位置的方法。该方法可在至少包括处理器和与处理器通信地耦合的存储器的机器上实现。该方法可包括:从测量单元获得第一输出,测量单元耦合到电梯使得测量单元具有相对于电梯的固定位置,其中第一输出代表电梯的加速度的原始估计;从测量单元获得第二输出,其中第二输出代表在与电梯相同的位置处的重力的测量;基于第一输出和第二输出来计算在当前时隙中在垂直方向上的电梯的加速度;获得在前一时隙中计算的在垂直方向上的电梯的先前速度;以及基于加速度和先前速度来确定电梯是否正在移动。在一个实施方式中,该方法还包括通过下列操作来校准测量单元:在一个时间段收集测量单元的读数以估计读数偏差;以及基于读数的平均值来计算读数偏差,其中在计算电梯的加速度或速度之前从测量单元的每个输出减去读数偏差。
在一个实施方式中,确定电梯是否正在移动包括:比较加速度与第一阈值;比较先前速度与第二阈值;当加速度超过第一阈值或先前速度超过第二阈值时,确定电梯正在移动,并比较先前速度与第三阈值;以及当加速度不超过第一阈值以及先前速度也不超过第二阈值时,确定电梯没有正在移动,将电梯的速度设置为零,并估计电梯的当前位置。该方法还可包括:当先前速度超过第三阈值时,产生指示电梯正经历异常降落的警报;以及当先前速度未超过第三阈值时,基于先前速度和加速度来产生电梯的更新的速度,基于更新的速度来产生电梯的更新的移动距离,并通过将更新的移动距离加到电梯的先前估计的位置来产生电梯的更新的位置。
估计电梯的当前位置可包括:将当前位置的估计舍入到最接近的楼层高度;基于该舍入来确定舍入误差;比较舍入误差与第四阈值;当舍入误差超过第四阈值时,产生指示电梯停在异常位置处的报告;以及当舍入误差未超过第四阈值时,确定加速度是否小于第五阈值,并在加速度小于第五阈值时更新测量单元的读取偏差的估计。测量单元可包括惯性测量单元(IMU)、加速度计和陀螺仪中的至少一个。
在不同的例子中,公开了用于检测在场所中的物体移动的系统。该系统可包括:发射机,其配置成发射至少一个无线信号;接收机,其配置成接收可被场所中的物体移动影响的至少一个无线信号;处理器;以及与处理器通信地耦合的存储器。处理器配置成:从至少一个无线信号提取CSI的一个或多个时间序列;基于CSI的一个或多个时间序列来计算统计值,其中统计值代表在场所中的物体移动的程度;以及基于统计值来确定在场所中是否存在物体移动。在一个实施方式中,可基于下列项中的至少一个来计算统计值:CSI的一个或多个时间序列中的CSI的实部、该CSI的虚部、该CSI的CSI幅度、CSI幅度的平方、CSI幅度的另一函数和从CSI的一个或多个时间序列的函数导出的样本自相关系数。
在一个实施方式中,至少一个无线信号包括多个子载波;以及计算统计值包括:为多个子载波中的每个计算CSI的时间序列,基于CSI的每个时间序列来计算子统计以产生多个子统计,以及基于多个子统计来计算统计值。可基于下列项中的至少一个来确定在场所中是否存在物体移动:用于融合来自多个子统计的关于物体移动是否存在的所有决策的多数投票;以及在多个子统计的统计组合和阈值之间的比较。
在不同的例子中,公开了用于跟踪电梯的门的状态的系统。该系统可包括:发射机,其配置成发射至少一个无线信号;接收机,其配置成接收可被门的状态影响的至少一个无线信号,其中发射机和接收机中的至少一个位于电梯内;处理器;以及与处理器通信地耦合的存储器。处理器配置成:基于至少一个无线信号来获得信号测量的时间序列;通过减轻异常值和噪声测量来过滤信号测量的时间序列以产生多个经过滤的测量值,其中每个测量值与相应的时隙相关联;以及基于与时隙相关联的经过滤的测量值和阈值来确定在每个时隙中电梯的门是关闭的还是打开的。在一个实施方式中,处理器还配置成:基于当门已知被打开时接收的第一多个无线信号来获得信号测量的第一时间序列;基于当门已知被关闭时接收的第二多个无线信号来获得信号测量的第二时间序列;确定在门的状态的变化期间在信号测量的第一和第二时间序列中的变化模式;以及基于变化模式来计算阈值。处理器还可配置成:基于当确定变化模式时执行的斜率估计和峰值检测中的至少一个来更新阈值。例如,信号测量的时间序列中每个可基于至少一个无线信号的接收信号功率的函数,以及该函数可基于下列项中的至少一个来确定:接收信号强度指示(RSSI)、接收信道功率指示(RCPI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信噪比(SNR)和信号干扰噪声比(SINR)。
系统的两个示范图在图1A和图1B中示出,以及系统的流程图在图1C中示出。在图1A中,在场所102内部移动的物体/人携带收发机C 103,其不断将信道探测信号发送到其它收发机,例如收发机A 104和收发机B 106。收发机A 104和B 106可估计信道状态信息(CSI)并计算物体/人的速度/移动距离。收发机C 103可配备有估计角速度的其它传感器(例如惯性测量单元(IMU))。通过对角速度求积分,可估计在物体/人的移动方向中的角变化/变化。在图1B中,物体/人只携带用于移动方向估计的传感器105。在收发机A 104和收发机B 106之间的无线信道被物体/人的移动影响,所以基于受影响的无线信道的CSI估计,也可估计物体/人的速度/移动距离。假设初始起始点是已知的,通过融合(118)距离估计110和方向估计114(或也许以及结合关于楼层平面图/路径116的信息),可获得移动物体/人的实时位置。一些实验结果表明,物体跟踪系统的准确度可在1米内实现,如果关于场所(物体正在该场所中移动)的楼层平面图的信息被包含的话。注意,当前教导也可用于跟踪在户外环境中移动的物体,如果存在射频(RF)信号的富足多径传播的话。
在一个实施方式中,考虑布置在典型室内环境中的发射机和接收机对。发射机以几乎一致的发射间隔连续地发射无线信号,以及接收机估计相应的信道状态信息(CSI)。给定发射机的起始点(或初始方位、初始位置),所公开的TRITS的目标是实时地跟踪发射机的位置。TRITS不限于只跟踪室内的移动物体,它可很好地工作,只要系统在足够大的带宽上操作以解析存在于富足散射环境中(例如在室内或都市区域中)的足够的多径分量(MPC)。在一个实施方式中,所公开的系统可使用TRITS来表示物体跟踪系统。但这并不意味着系统只可在室内工作。
在下文中,作为例子,所公开的系统可在商业Wi-Fi平台上操作TRITS并作为例子跟踪发射机的位置。TRITS利用航位推算的理念来定位发射机,也就是说,TRITS通过使用先前确定的位置来计算发射机的当前位置。在数学上,它可被写为:
X(t)=x(t-1)+Δ(t), (1)
其中x(t)代表发射机在时间t的位置,以及Δ(t)可被表示为d(t)1(t),其中d(t)=|Δ(t)|,以及1(t)是指向Δ(t)的方向的单位矢量。因此,TRITS包括两个主要模块:对每个时隙的移动距离估计和移动方向估计TRITS的主要创新是,它利用时间反演空间共振现象来估计发射机的移动距离。
当前教导公开了两种移动距离估计方法和两种移动方向估计方法。然后使用方程(1),可实时地跟踪移动物体的位置。在下文中,将介绍距离估计模块和方向估计模块。
基于TR共振的统计行为的距离估计
用于移动距离估计的第一种方法基于时间反演共振强度(RTTS)的统计行为。将在稍后定义的TRRS可被视为在两个CSI之间的相似性分数。可发现,在一个特定位置处收集的一个CSI和在周围位置处收集的CSI之间的TRRS值展示某个统计模式,即,在距离和TRRS值之间存在映射。
在一个实施方式中,考虑在富足散射环境中的无线发射机和接收机,每个配备有单个全向天线。从发射点T到接收点R的信道冲激响应(CIR)被表示为h(τ;T→R),其中T和R分别表示发射机和接收机的坐标,以及τ代表所测量的CIR的多径分量的延迟。考虑静态室内富足散射环境,即,所有CIR可被考虑为时间不变信号。因此,给定固定的发射机坐标,CIR由接收机坐标确定。在TR通信系统中,接收机(在图2中的收发机B 202)首先发射三角状导频冲激206,以及在T处的发射机(收发机A 204)捕获从R0到T的CIR(208)。使用三角状导频冲激仅仅是个例子,且也可使用在2016年2月11日提交的标题为“Handshaking Protocolfor Time-Reversal System”的美国专利申请号15/041,677和在2016年10月3日提交的标题为“Time-Reversal Communication Systems”的美国专利申请号15/284,496中公开的方法来采用其它类型的信道探测信号,例如伪随机序列或一序列脉冲,这两个专利申请的全部内容通过引用被并入本文。在那之后,在T处的发射机(收发机A 204)简单地将所捕获的CIR 210的反转和共轭版本传输回,即如图2所示,且在任何接收点R(收发机B 202)处的所接收的信号212可被表示为:
s(τ;R)=h(τ;T→R)★h*(-τ;R0→T), (2)
其中★表示卷积操作,以及上标*表示复共轭。在下文中,R0被称为焦点。假设信道互易性适用,即,正向和反向信道是相同的,则所公开的系统可具有h(τ;T→R)=h(τ;R→T),其已经在实验上被证实。
我们可通过从空间-时间角度研究s(τ;R)来研究TR共振效应的属性。实际上,无线收发机的采样频率是固定的,这限制了CIR的分辨率。由B表示的大带宽增强了CIR概况的可解析性,并因此增加了h(τ;T→R)的分量的数量。由于在无线通信中的采样过程,给定B的带宽,所公开的系统可将h(τ;T→R)离散成h(k;T→R),k∈{0,1,…,L-1},以及L是抽头的最大数量。假设发射机坐标是固定的,则我们可将s(k;R)重写为:
TR共振效应在特定时间k=0和特定位置R0处发生,其中所有多径分量相干地加起来。对于k≠0,抽头不相干地加起来,且因此所接收的信号的幅值小得多。因此,所接收的信号的能量高度聚集在k=0(时间聚焦)和R0(空间聚焦)周围,这被称为TR聚焦/共振效应。使用如图5所示的在典型室内环境中进行的CIR测量,图3示出在焦斑周围的空间TRRS分布,以及图4示出焦斑的时间归一化接收信号分布。可看到,归一化接收能量在时域和空域中都聚焦。
我们可将在焦点R0处的CIR和在另一点R处的CIR之间的TR共振强度(TRRS)定义为在R处的所接收的信号的能量的归一化版本,如果h(k;R0)的反转和共轭版本被传输:
从图3中可看到,沿着从焦斑起源到焦斑外部的直线的TRRS分布/衰减模式与方向无关。实际上,与TR空间共振效应相关联的很有趣的现象是,在不同焦点周围的空间共振衰减模式的变化倾向于非常小,只要离焦点的距离小。我们可将这个物理现象命名为“TR空间强化效应”。
我们可使用两个TR原型——“原型I”和“原型II”来证实“TR空间强化效应”。原型I在特别设计的硬件上实现,该硬件在5GHz ISM频带处以125MHz的带宽操作。我们可将多径分量的最大数量设置为L=30,其足以在典型室内环境中捕获大部分总信道能量。对于原型II,我们可从配备有多个天线的Wi-Fi设备获得信道频率响应(CFR)。对于每个发射-接收天线对,在40MHz带宽下使用802.11n来在128个子载波中的114个可用子载波上报告CFR。可经由离散傅立叶变换来将CFR变换成CIR。对于每个原型,接收机以5mm测量分辨率布置在信道探测台502上,如图5所示。
如图3和图4所示,TR共振效应在时间上和空间上出现。所获得的空间共振衰减函数沿着远离焦点的所有方向几乎均匀地减小。如果这个现象在大区域上也是均匀的且在不同焦点周围的空间共振衰减模式具有类似的衰减速率,则可利用在空间共振强度中的衰减作为距离的度量,其可进一步用于速度估计,只要在两个CIR之间的时间差是固定的。接着,我们可研究在某个区域内的TR共振效应的平稳性。
在下文中,我们可使用h(R)来表示在位置R处的CIR。我们可使用原型I来测量在所设计的信道探测台上的55个不同位置的CIR。在任两个位置之间的距离超过20cm。对于每个位置,我们可以以0.5cm测量分辨率测量远离那个位置沿着10cm线的来自20个相等间隔开的子位置的CIR。在这个实验中,我们可总共获得1100个CIR。现在我们可将CIR看作被表示为H的随机矢量,且因此h(R)可被看作在位置R处的H的实现。让(H,Hd)表示彼此间隔开距离d的CIR随机矢量对,且在位置(R,R+Δ)处的(H,Hd)的实现可被表示为(h(R),h(R+Δ))),|Δ|=d。当|Δ|足够大时,被包含在三元组中的这两个分量被建模为两个复随机矢量独立同分布(i.i.d.)。我们可首先研究H的每个抽头的统计属性,其中H(1)代表随机矢量H的第1个抽头。让Re(·)和Im(·)分别表示复数的实部和虚部。然后我们可选择来自彼此间隔开至少5cm的点的CIR,并计算在每个H(1)的实部和虚部之间的样本相关系数。在图6中分别示出具有实部和虚部的H的一些分量的经验累积分布函数(CDF)。我们也可将Kolmogorov--Smirnov测试(K-S测试)应用于Re(H(1))和Im(H(1)), 所有K-S测试未能拒绝在5%显著性水平处的零假设,其中零假设是Re(H(1))和Im(H(1))的分布都是正常的,因此,H(1)的实部和虚部、可被假设为i.i.d.高斯随机变量。此外,对于某个恒定速率α,H(1)的方差随着抽头指数1指数地衰减。如果我们可相对于第一抽头的方差来归一化方差,则每个抽头的线性拟合和归一化方差在图7中在dB标度中示出,α=0.1952。注意,这个指数衰减现象与在UWB信道中获取的经典结果一致。
然后我们可使用样本相关系数的度量来研究在H中的不同抽头之间的关系,如图8所示。结果表明,H(1)和H(k)几乎是统计上不相关的,因为H(1)和H(k)(1≠k)是高斯随机变量,它们可被看作独立的随机变量。将时间共振衰减函数定义为如果TR传输方案被应用,假定在H中的不同抽头之间的独立性,则基于前面的假设,我们可通过取TR时间共振衰减g(·)的期望值来计算理论平均TR时间共振衰减函数在下文中,我们可通过分别地取g(k)的分子和分母的期望值来近似在H(1)是复高斯随机变量以及H(1)和H(k)是独立的的假设下,我们可以有:
可看到,在k中是偶对称的,即且我们可以有在图4中示出在理论和实测时间共振衰减函数之间的比较。总的来说,理论结果特别好地匹配实验数据,尤其当k接近于0时。我们可观察到,时间共振衰减曲线的平均值是在|k|中的严格单调递减函数,且当|k|小时,衰减斜率非常陡。
当对应于两个CIR的位置非常远离且CIR的长度非常大时,平均空间共振衰减函数收敛到其指示当系统布置在富足散射环境中且具有足够大的带宽时平均空间共振衰减函数的限制由α确定。在大α的情况下,当两个点足够远离彼此(例如在实验设置中是3cm)时,接近0。在这些条件下,时间反演传输技术从接收功率方面来说可完美地分离两个接收点。
在实验中,我们可丢弃前三个抽头,且因此对相关系数的假设成立,以及通过在所有抽头的幅值上取平均值来获得相关系数的幅值。从测量获得的TR空间共振衰减函数的结果在图9中示出。两个曲线对于小距离d<1cm具有相似的形状,且联合高斯近似模型与实测的非常好地相符,这也可证明我们的信道模型关于空间共振效应的有效性。
然后,我们可检验在某个区域上的空间共振衰减函数的平稳性。为了量化衰减函数的实现与平均衰减函数的偏差,我们可将空间衰减偏差度量定义为:
其测量在每个实现和平均空间共振衰减函数之间的归一化偏差。因为我们可以测量总共55个不同的位置且我们可以为每个位置获得空间衰减函数的单个实现,对于D=2cm,空间衰减变化度量可相应地被计算且结果显示在图10中。对于不同的D,我们可在图11中计算空间衰减偏差度量。
如可从图11中看到的,空间共振衰减函数的超过90%的实现具有小于0.02的偏差。当距离是5mm时,多于90%的实现在0.6%的变化水平内。这意味着所定义的空间共振衰减函数可被看作在某个区域上的静态特征。有趣的是注意到下面的情况:虽然室内环境建模起来非常复杂,但空间共振衰减函数展示似确定性的行为,其为大数定律的结果。因为TR传输方案收获存在于环境中的很多多径分量,空间衰减函数可被看作所有随机因子的平均。
在上文中的联合高斯近似模型下,当距离d小时,两个CIR H(1)和Hd(l)的第1个抽头是高度相关的,且给定在焦斑h处的CIR,我们可将所接收的信号的理论方差推导为:
其中∧是具有在对角线中的元素{1 e-α ... e-(L-1)α}的对角矩阵。对于非常接近焦点的点,所接收的信号的方差很小,因为相关系数的幅值接近1。因此,在联合高斯近似模型下,TR传输方案使接近焦点的所接收的信号的增益变强,且我们可将它称为TR空间强化效应。
从TR空间强化效应中,所接收的信号的增益或TR空间共振衰减函数是相当稳定的,特别是对于从焦点间隔开的小距离d。因此,由于在焦点附近的小变化,我们可以以小误差将空间共振衰减的减小转换成距离d。如果传输间隔是均匀和已知的Δt,则我们可使用线性内插来估计速度。选择在焦点附近的两个小距离d1=5mm和d2=10mm,以及它们的平均空间衰减分别是和对于小时间段,我们可获得一系列CIR,且我们可将在相邻CIR之间的空间衰减估计为f。我们可假设点(vΔt,f)位于由两个点和形成的线上。因此,我们可将速度估计为:
从图11中的结果中,我们可以知道,如果信道探测速率足够高,使得我们可测量在d=5mm内的空间衰减,则速度估计可以非常准确。例如,当信道探测速率是100Hz(即在1秒内100个CIR)且行走速度是1.2m/s时,则在两个相邻CIR之间的距离d是1.2m/100=1.2cm,且估计误差的方差可相应地被预测。另一方面,信道探测速率在一般LTE系统中是大约250Hz,其对于行走速度1.2m/s转换成d=4.8mm,且高准确度可被预期。为了对抗空间共振衰减函数的偏差,我们可能需要更多的CIR样本来平均化这个效应,特别是当信道探测速率不足够高时。此外,因为当发射机不移动时空间共振衰减应是小的,我们可能需要基于在一个时期内的TRRS的衰减来检测物体是否正在移动。算法1概述用于移动距离估计的第一种方法。
算法1:基于收敛属性的TR距离估计
在算法1中,在CSI缓冲器内估计在相邻CSI之间的TRRS衰减的平均值,且接着可通过参考预先测量的相对于距离的TRRS衰减曲线来获得移动距离的估计。特别地,我们可使用如在方程(9)中所示的线性内插来估计移动距离。
最后,计算在缓冲器中的最新进入的CSI和最早的CSI之间的TRRS以检查物体是否正在移动。非常大的TRRS值指示两个CSI是高度相似的,以及物体在CSI缓冲的持续时间内移动如此小的距离,以致于物体可被看作不移动。经验测量表明,当TRRS高于0.9时,距离可以在5mm内。对于具有0.2秒持续时间的CSI缓冲,速度可以低至0.025m/s,其可能是由于CSI测量的噪声且应在真实应用中被忽略。
在下文中,我们可评估距离估计的性能。我们可在典型的办公室环境中将TR发射机和接收机置于非视线情形中。人携带发射机并分别移动已知的距离:2m,4m,6m,8m,10m和12m。对于每个特定的已知距离,以不同的路径重复实验20次,且行走速度不需要是恒定的。我们的原型的信道探测速率被设置为100Hz,且平均窗口的尺寸是N=60。结果在图12中示出,其中小圆代表估计的距离值。
估计通常是非常准确的。在估计中有一些方差和偏差。误差的变化来自空间共振衰减函数的方差,特别是当信道探测速率不够高或行走速度大时。当窗口的尺寸非常大时,我们可更好地进行平均化操作,但速率必须在窗口期期间是恒定的,这不是在实践中的情况。此外,窗口的大尺寸也会延迟当前时间的速度估计。因此,选择窗口的最佳长度取决于不同的应用情形。
因为我们在速度估计算法中可能需要的唯一对象是CIR,且时间反演共振效应并不真正物理地发生,基于TR的物体跟踪对其它平台是通用的,只要在发射机和接收机之间的准确CIR可被获得。例如,使用具有3×3MIMO配置的具有802.11n Wi-Fi的原型II,可从每个链路获得信道频率响应(CFR)。原始CFR可被净化以使用在2016年12月9日提交的标题为“Method,Apparatus,and Systems for Wireless Event Detection and Monitoring”的PCT申请PCT/US2016/066015和2017年1月31日提交的标题为“Methods,Devices,Servers,Apparatus,and Systems for Wireless Internet of Things Applications”的PCT申请PCT/US2017/015909中公开的方法来补偿符号定时偏移、载波频率偏移和采样频率偏移等,这两个申请通过引用被全部并入本文。然后,可通过对CFR执行离散时间傅立叶变换(DTFT)来获得相应的CIR。让hi(R)表示在位置R处的第i个链路的CIR。如果总共有D个可用的链路,则在焦点R0和焦点附近的点R之间的空间共振衰减函数类似地被定义为:
其中si(0;R)代表当所发射的信号是hi(R)的时间反演和共轭版本时在时隙0和位置R处从链路i接收的信号。来自不同链路的所接收的信号不能直接加起来,因为每个链路具有它自己的RF链并具有不同的初始RF振荡器相位偏移。因此,我们可在将所接收的信号加在一起之前采用它们的绝对值,并将这个和归一化,使得f(R0;R0)=1。
空间共振衰减函数被系统带宽影响。在下文中,我们可研究具有变化的带宽的空间共振衰减函数。如果我们可利用来自可用子载波的所有CFR,则我们可实现有效带宽B,其被计算为:
其中D是所使用的链路的数量,Nu是对于每个链路在N个子载波中的可用子载波的数量,以及W是每个链路的带宽。在原型II中,每个链路的带宽被设置为W=40MHz,且然后每个链路的有效带宽114/128*40=35.625MHz。因为我们在计算TR空间共振衰减函数时可选择不同数量的链路,我们可测量不同位置的f(d),且可对变化的有效带宽计算f(d)的平均值,如在图13中的。如我们可从结果中看到的,当有效带宽大于107MHz时,TR共振衰减函数的平均值与彼此重叠。要注意的一件事情是,由于在等式(11)中的组合方案,对于较大的距离d收敛到0.33,而在原型I中,收敛到0.22。
虽然对于较大的有效带宽收敛到同一值,f(d)的方差对较大的有效带宽可以更小,这如下被证实。我们可测量具有尺寸10cm×10cm的正方形区域的CFR,且对于每个位置,我们可测量CFR的一个实现。测量的分辨率是5mm,即,在两个相邻点之间的最小距离是5mm。首先,我们可选择焦斑作为具有相等的x轴和y轴坐标的点。然后,每个焦斑的TR空间共振衰减函数在那个焦斑的CSI和具有与那个焦斑相同的y坐标的点的CSI之间被计算。图14示出相应的结果。当有效带宽小时,f(d)的变化大;当有效带宽大时,f(d)是更似确定性的且不是位置相关的,这对物体跟踪是理想的。
基于TRRS衰减的波纹属性的距离估计
第二距离估计方法基于TRRS衰减的波纹属性。对于具有带宽B的系统,两个多径分量(MPC)将被分成所测量的CIR的不同抽头,如果它们的到达时间的差大于采样周期1/B,也就是说,行进距离的差大于c/B的任两个MPC可被分离,如图15所示。在足够大的系统带宽的情况下,系统的距离分辨率c/B那么小,以致于具有显著能量的所有MPC可在空域中分离,即,每个显著MPC可由所测量的CIR的单个抽头表示。假设每个MPC的能量的分布在方向θ上是均匀的。然后当MPC的数量大时,来自不同方向的MPC的能量将近似是相同的。因此,所接收的信号s(0;R)可被近似为:
其中使用图15中的坐标系,Ω代表所有显著MPC的集合,J0(kd)是第一种0阶贝塞尔函数,是具有幅值k=c/f0的波矢量,以及在和之间的欧几里得距离是d。在这里,我们可使用连续积分来近似离散和,且P(θ)=P表示来自方向θ的MPC的能量的密度。对于它退化到d=0的情况,且因此同时,TRRS的分子近似地是如上面讨论的。作为结果,所定义的TRRS可被近似为:
因为TRRS分布的理论近似只取决于在两个点之间的距离,我们可使用来代表在具有距离d的两个点之间的TRRS的近似。在图16中示出了在上面的理论曲线和实验测量之间的比较,其可验证(18)。可看到,三个曲线的峰值出现在相同的d值处,意味着波纹具有相似的形状,所以我们可使用这样的波纹属性来估计移动距离。
因为TRRS分布函数的形状仅由与特定位置无关的波数k确定,它可作为内在标尺用于测量在空间中的距离。在一个实施方式中,考虑到一个接收机沿着直线以恒定速度v从位置R0开始移动以及一个发射机以有规律的间隔不断发射对应于R0的TR波形(即所接收的信号的时间反演和共轭版本)。然后,在接收机处测量的TRRS仅仅是η(d)的采样版本,其也展示类似贝塞尔函数的模式,如在图17中所示的。
例如取η(d)的第一局部峰值。相应的理论距离d1是大约0.61λ。为了估计移动速度,我们可能只需要估计TR接收机花费多少时间来从点R0开始到达第一局部峰值。我们可使用二次曲线来近似第一局部峰值的形状。组合每个CIR测量的时间戳的知识,由二次曲线的顶点估计。因此,我们可获得速度估计为要注意的一件事情是,如果CIR测量的速率足够快,则移动速度在TRRS分布函数的测量的持续时间内是恒定的假设在实践中是合理的。例如在图17中,持续时间是大约0.16秒。
在相邻时隙处测量的TRRS分布函数的多个实现可以组合以增加的估计的准确度。对于第i个测量,首先找到在第一局部峰值附近的数据点(ti,j,yi,j),i=1,...,N,j=1,2,3。然后用二次回归模型 拟合数据点,且因此消逝的时间的估计是其中和分别是β和γ的最小二乘估计量。也可使用不同的参考点,例如第一局部谷、第二局部峰等,以增加估计的准确度。算法2概述用于移动距离估计的第二种方法。
算法2:基于波纹属性的TR距离估计
在算法2中,我们可选择新近收集的CSIH(t)作为参考并计算在H(t)和在CSI缓冲器中的先前收集的CSI之间的TRRS。如前面在算法1中提到的,如果在相邻CSI之间的TRRS值高于某个阈值,则物体可被视为不移动。如果物体被确定为移动了,则TRRS值η(H(t),H(t-k+1))将在k增加时衰减,并展示如由等式(13)描述的模式。基于波纹属性,我们可知道第一局部峰值总是对应于离原始起始点的大约0.61λ的距离。如果我们可知道物体移动到对应于第一局部峰值的位置所花费的时间段,则我们可得到估计的移动速度。为了提高TRRS衰减的第一局部峰值的位置的估计准确度,我们可使用二次曲线来近似在第一局部峰附近的TRRS分布。然后可获得物体移动0.61λ的距离所需的时间段的更好估计。因为CSI在每个Δt中被收集,物体在从t-1到t的采样周期内移动的距离可如在算法2的线10中被估计。再次,由于与算法1相似的原因,如果在CSI缓冲器中的最新CSI和最老CSI之间的TRRS值非常大,则距离估计被设置为0。
在物体跟踪的上述方法中,发射机和接收机中的至少一个由移动的物体/人携带,且该方法可被视为主动跟踪,如图1A所示。在另一实施方式中,如图1B所示,移动的物体/人只需要携带用于方向估计的传感器,且发射机和接收机在固定位置处。因为多径信道依赖于在它们之间的散射体,移动的物体/人具有足够大的表面且可被视为以相同速度移动的一块散射体。以这种方式,在发射机和接收机之间的多径信道被物体/人的移动影响,且在接收机处从所接收的信号获得的CSI展示反映关于移动的某个特征(例如移动速度)的模式。
在一个实施方式中,我们可假设每个散射体具有粗糙表面且到来的无线信号在很多方向上以均匀的分布重新射出;假设在环境中的第i个散射体以某个速度v朝着某个方向移动;以及让表示在接收机处的所接收的电场的变化。基于信道互易性的属性,如果接收机正在发射无线信号,则电磁(EM)波将严格遵循在第i个散射体和接收机之间的相同路径。因此,等于也在到达的方向上均匀地分布的所有到达的EM波的矢量和。根据在腔中的EM波的统计理论,的自相关函数(ACF)将遵循:
其中 以及λ是所发射的信号的波长。因此,通过检查展示的ACF的相似模式的在接收机处的所接收的信号,我们可以用被动方式估计移动物体的速度。虽然在被动速度估计中不直接使用TRRS,但ACF也可被视为在沿着移动路径的不同点处收集的不同CSI之间的相关性的测量。
假设从所接收的信号估计的最近的N个CSI是[H(t-N+1),...,H(t)],N作为时间窗长度,我们可将ACF定义为关于CSI幅值的平方的函数,其不需要相位偏移清除。我们可使用样本平均来近似在ACF中的期望操作,即使用在相邻CSI对之间的CSI来获得具有时间滞后1的ACF的样本平均,使用{H(i),H(i-2)}之间的CSI来获得具有时间滞后2的ACF的样本平均,i=t-N+3,...,t,依此类推。可表明,ACF函数也展示波纹属性。
然后,我们可找到在ACF曲线上的与移动模式相关的特征点,例如第一局部峰。我们可使用第一峰ACF值和两个相邻ACF值来估计相应于第一局部峰的时间并获得速度(假设在到达第一局部峰的该时间期间速度是均匀的)。然后,我们可使用估计的速度和采样周期来获得移动距离。如果在时间窗的开始和结束处的CSI之间的ACF值高于阈值,则移动距离可被估计为0;否则,估计的距离可等于估计的速度和采样周期的积。
方向估计
在下文中,我们可引入两种方向估计方法作为TRITS的第二模块,也就是说,移动方向估计模块。第一种方法利用惯性测量单元(IMU),而第二种方法利用TRRS衰减函数η(d)来估计发射机的移动方向。
因为我们通常只关心在正交于重力g的方向的x-y平面中的移动方向的变化,所以我们可将旋转从x、y和z-轴投影到g上,其中g由片上坐标系测量。可从陀螺仪的读数获得旋转。因此,在时间t的移动方向可被估计为:
其中ω是陀螺仪的读数,Δt是采样周期以及g是重力传感器的读数。算法3如下概述基于IMU的方向估计方法。
算法3:基于IMU的方向估计
输入:重力矢量g,在时隙t的角速度矢量ω,传感器读数间隔Δt
对于移动方向估计的第二种方法,假设接收机从位置A 1802移动到位置B 1804以及然后位置C 1806,如图18所示。这三个位置代表针对三个连续CSI的发射机的位置。假设信道探测速率足够快,使得在这三个位置之间的距离di足够小,且在距离和TRRS值之间的一对一映射关系仍然成立。然后移动方向的角的变化可由余弦规则估计为:
当发射机配备有彼此接近地定位的多个天线时,例如,如图19所示,发射机的旋转可由下式计算:
其中Δθ从自A移动到B的天线1的TRRS衰减获得,并假设Δd足够小,这是信道探测速率足够高时的情况。可通过计算在不同天线之间的TRRS来确定旋转的方向。例如,如果在由天线3在时间t测量的CSI和由天线1在时间t+1测量的CSI之间的TRRS增加,则旋转是逆时针的。可通过对来自不同天线选择的估计取平均来提高Δθ的估计的准确度。
相对于TR设备的移动方向也可被估计如下。见图20,作为图示,其中三个天线2002、2004和2006位于等边三角形的顶点处。在这个例子中,我们可使用Hi来表示从自发射机发送到接收机上的第i个接收天线的信道探测信号获得的CSI,并使用η(Hi(t0),Hj(t))来表示在时间t0测量的Hi和在时间t测量的Hj之间的TRRS。对于如图20所示的特定移动方向,当t≤t0时,函数η(Hi(t0),Hj(t))展示不同的模式,这也在附图中示出。因为天线1 2004将通过首先接近天线2和3且然后远离天线的路线2008,η(H2(t0),H1(t))和η(H3(t0),H1(t))展示如附图所示的模式2010和2012。注意,天线的位置和数量不被限制,且它们可布置在其它几何形状中。通过函数η(Hi(t0),Hj(t))的峰值,可确定沿着移动方向的在天线i和j之间的最小距离。例如,当η(H2(t0),H1(t))达到局部最大值γ1,2时,天线1的当前位置在远离天线2的初始位置的距离d1,2处,且d1,2可通过位置-TRRS映射来估计。相对于TR设备的移动方向可在例子中被估计为或其中从TRRS衰减值γ1,2和γ1,3获得d1,3和d1,2,TRRS衰减值γ1,2和γ1,3分别是η(H2(t0),H1(t))和η(H3(t0),H1(t))的最大TRRS值,如图20所示。一个内在的假设是,系统的信道探测速率足够高,使得γ1,2和γ1,3足够准确。
在一个实施方式中,在图21中示出所公开的物体跟踪的过程的流程图。由移动物体携带的发射机将至少一个无线信号发射到接收机(2102)。可基于所接收的信号来估计至少一个CSI,且可清除在CSI中的相位偏移(2104)。可计算在最近的CSI和时间窗中的先前收集的CSI之间的TRRS值(2106),其展示TRRS在时间上的某个衰减模式(2108)。可对在多个这样的时间窗中的TRRS值取平均以获得平滑的衰减模式。基于TR共振效应的收敛属性(根据算法1)或波纹属性(根据算法2),可估计物体的移动距离(2110)。从附着到移动物体的方向传感器(例如IMU)中,可读取角速度和重力信息(2112)。可将角速度投影(2114)到重力方向,且可根据算法3来估计(2116)移动方向的变化。最后,基于估计的移动距离和方向来更新(2118)移动物体的位置。在另一实施方式中,在图22中示出说明所公开的物体跟踪的另一过程的流程图,其中基于在不同天线之间的TRRS的衰减模式来估计移动方向(2212和2214)。
在另一实施方式中,可在不将发射机附着到物体的情况下估计物体的移动方向。物体的运动将影响CSI特征,其中基于从在固定位置处的发射机向在另一固定位置处的接收机发送的信道探测信号来获得CSI。关于CSI的其它函数可用于提取CSI的时变模式,例如CSI的加速度函数、CSI的幅值函数、CSI的相位函数等。
使用不同类型的传感器的方向估计
其它类型的传感器输出也可用于提高方向估计的准确度。在图23中示出一个这样的例子,其利用不同传感器的互补特征并使用融合的传感器输出来确定移动方向。从加速度计,我们可以知道(2302)全局坐标和重力g的方向。可在g的方向上投影陀螺仪传感器2304并可获得水平前进方向(2308)。基于来自加速度计的全局坐标,磁性传感器输出(2306)也可被投影在水平平面中并接着被过滤以获得平滑的磁性传感器数据(2310)。干扰消除算法(2312)可设计用于减轻干扰磁性源的影响。然后来自两种类型的传感器(陀螺仪和磁性传感器)的经处理的数据可融合(2314)以估计移动方向(2316)。
如图24A所示,陀螺仪传感器输出矢量可在重力g的方向上被投影为ωgz=ωx·g+ωy·g+ωz·g。如图24B所示,磁感应强度矢量也可被投影在水平面中。
将磁感应强度矢量投影在水平面中的目的是获得磁感应强度矢量的全局水平分量,并将它与全局轴比较以获得全局移动方向。
因为在这个问题中可用的坐标系是传感器的局部坐标系,首先我们可能需要在局部坐标系中表示全局坐标系的三个轴。然后我们可能需要将磁感应强度矢量投影到全局水平面上。最后,我们可比较矢量的水平分量与全局轴以确定前进方向。一个假设是,前进方向随着局部x轴的水平分量是固定的,即,在前进方向和物体移动方向之间的差异不随着时间而改变。
一些符号如下:
将磁感应强度矢量投影在水平面中的详细描述如下:
(1)找到全局坐标轴
(2)投影磁矢量
(3)获得方向
可发现,各种类型的传感器可具有如在下面的表中显示的互补特征。因此,我们可融合不同类型的传感器输出以提高方向估计准确度。
在图25A和图25B中示出传感器融合的一个例子。理念是当1)两个读数的差异在某个范围内以及2)两个读数的趋势彼此一致时,将陀螺仪调节到磁性传感器读数,例如,如图25B所示。在算法中,t1是读数差阈值(循环开始判断),t2是趋势判断阈值,以及window是趋势判断周期长度。行11判断在两个读数之间的差异并决定是否开始循环。当循环开始时,avrg是自从循环开始以来在两个读数之间的平均差异。如果在两个读数之间的差异在avrg周围的某个范围(t2)内,则该算法推断出该趋势继续。在当前样本点仍然在该趋势内时,count累积。当count到达window时,前进方向数据被调节到罗盘读数。
物体跟踪系统的示例实现
在图26中示出跟踪系统的实现的示例性功能框图。示例跟踪系统由起点(Origin)子系统、Bot子系统、控制器子系统和映射机器子系统组成。
起点子系统:起点子系统是一个或多个静态收发机(每个是一个“起点”),其与Bot子系统直接通信并使用每个Bot所特有的标识符来控制Bot子系统,并收集特定于起点的位置和每个Bot的位置的多径无线电签名。起点子系统将所收集的签名发送到控制器子系统,其处理签名以跟踪Bot。
Bot子系统:Bot子系统是与起点直接通信并处于起点的控制下的一个或多个移动收发机标签(每个是一个“Bot”)。使用Bot所特有的标识符以及特定于Bot的位置和起点的位置的多径无线电签名来跟踪Bot。
映射子系统:映射子系统由3D映射台、电机控制器和移动控制台组成。电机控制器能够移动3D映射台,其在虚拟检查点(每个是“VC”)的整个区域上以所配置的速度传送Bot。控制器子系统控制包括电机控制器和起点子系统的整个映射过程以从在VC处的Bot收集多径无线电签名。移动控制台实现在映射过程中的控制器子系统的远程控制。
控制器子系统:控制器子系统是在映射过程和跟踪过程期间控制起点子系统、Bot子系统(通过起点子系统)和映射子系统的计算机系统。它包括用于在系统内交互并报告实时Bot位置、历史和区域(Bot对其有操作的许可(“定位区域特权”))的图形用户界面(“GUI”)。控制器子系统还设置并更新每个Bot的定位区域特权。控制器子系统可包括运行Windows 10+操作系统的至少一个计算机,且还可包括其它计算资源/或处理器。
在一个实施方式中,在这些部件之间的连接如下。起点子系统经由符合所有可应用的FCC规则和规章的5GHz Wi-Fi信道与Bot子系统无线地通信。起点子系统和控制器子系统应经由以太网进行通信。映射子系统通过2.4GHz无线LAN网络连接到控制器子系统。控制器子系统在一个或多个VC上从Bot离线地收集多径无线电签名,其稍后用于在线地跟踪Bot。
在一个实施方式中,这些部件的功能如下。Bot子系统可基于由起点子系统发送的命令来将信道探测信号ping/引导(beacon)到起点子系统。探测信号包含估计CSI所必需的信号和由Bot子系统在数据有效载荷中提供的前进方向/方向信息。由控制器子系统控制的起点子系统可将命令信号输送到Bot子系统。而且,它能够从Bot子系统接收信道探测信号。在接收到信道探测信号之后,起点子系统可导出在当前位置处的Bot子系统的CSI和前进方向信息,其接着被提供到控制器子系统。控制器子系统是整个系统的控制器,其可以是具有某些计算和通信能力的PC站。控制器子系统可控制起点子系统和因而Bot子系统。而且,映射机器子系统也在运动方面由控制器子系统控制。控制器子系统基于由起点子系统发送的CSI和前进方向/方向信息可实时地报告Bot子系统的位置。GUI被包括在控制器子系统中,给操作员提供地图信息和虚拟检查点配置。也在GUI中配置Bot子系统的特权区域。当Bot子系统进入特权区域时,警报将在GUI中被触发。
在另一实施方式中,在图27A中示出具有待跟踪的多个物体(Bot)的示例性跟踪系统。Bot轮流将信道探测信号传输到起点。换句话说,它们是与彼此时间共享的,且如果有非常大数量的Bot,维持从Bot到起点的高探测速率可能很难。可选地,系统架构可基于下行链路,如图27B所示,其中Bot基于从起点发送到Bot的探测信号来估计CSI。在那之后,每个Bot计算它的坐标并以与信道探测速率比较的低得多的速率将这样的信息反馈到起点。以这样的方式,在图27B中的架构在理论上可同时支持无限数量的Bot。
在图28中示出相应于图27B中的架构的示例性功能框图。起点子系统广播探测信号并经由符合所有可应用的FCC规章的Wi-Fi信道与Bot子系统无线地通信。起点子系统和控制器子系统可经由以太网进行通信。通过起点,控制器子系统收集用于实时地跟踪Bot的Bot坐标。
在图29中的流程图中示出示例性软件实现。注意,在跟踪物体之前,路径信息被假设是已知的,这可帮助确定物体位置。例如,在路径上的转弯点将路径分成几段。如果物体转弯,但它的轨迹从新段的方向偏离,则可通过将原始物体位置“映射”到在新段上的正确方向上来校正位置误差。如下列出在图29中使用的符号。
d:从系统得到的当前移动距离
A:当前移动角
D:离起始点的累积距离
End:路径的结束距离
Seg:由路径上的转弯点确定的物体的路径段
O:在路径上的物体的所映射的估计位置,意指在包含路径信息之后的位置输出
<>:在自由空间中的物体的估计位置,其可被视为原始位置估计
给定从TR机器得到的当前移动距离(d)和当前移动角(A),物体所行进的总距离(D+d)与整个路径的总距离比较(2904)。如果(D+d)大于整个路径的长度,则位置输出O放置在路径的末尾处,而原始位置估计<>不断更新(2906)。如果(D+d)小于整个路径的长度且估计的新位置仍然在路径的前一段上(2910),则位置输出O前进到当前段上的新位置且原始位置估计<>不断更新(2912)。如果估计的位置超过路径的当前段,则累积的(D+d)被更新(2908)。基于路径的每段的累积长度和(D+d),系统将确定O是否到达新段或仍然保持在前一段处(2914)。如果O到达新段,则系统将评估移动方向是否匹配新段的方向(2920)。如果该方向匹配新段,则O被放置在新段上,<>被更新且移动方向被校正到新段(2924)。然后,更新输出轨迹的绘图(2926)。否则,O将停留在最后一段的末尾处,而<>不断更新(2922)。如果(D+d)展示O仍然在路径的当前段上(2914的评估是“否”),则系统将评估下面的条件。如果(D+d)在离当前段的末尾的阈值距离(例如2米,但其它值也可被采用)内且方向匹配新段而不是前一段(2916的评估为是),则O被设置到新段的开头,而<>不断更新,且方向被校正(2918)。否则,O在当前段上前进,且<>不断更新(2912)。原始位置估计和位置输出不时地被检查以查看物体位置是否从路径偏离得太多(2928)。
校准:当环境未能具有足够的散射体或跟踪设备的天线被周围的障碍物(例如人身体、背包和衣服)阻挡时,则校准过程可能需要补偿这个缺点。首先系统应被携带来以接近恒定的速度通过路径。可通过采用在移动的停止时间戳和开始时间戳之间的差来计算设备移动的总时间。实际平均移动速度被计算为固定路径的总长度除以总时间。路径分成具有相等长度的N段,其中N与路径的总长度成比例。对于每段,比例因子被定义为在那个段的实际平均移动速度和估计的平均移动速度之间的比,其中估计的移动速度被计算为那个段的估计的长度除以在那个段上花费的时间。每段的比例因子被保存为对应于固定路径的矢量。在校准过程之后,估计的距离乘以设备所位于的段的比例因子,其可通过前面的位置估计来获得。
可基于在标题为“WIRELESS POSITIONING SYSTEMS”的2015年1月26日提交的美国专利申请14/605,611和标题为“WIRELESS POSITIONING SYSTEMS”的2015年7月17日提交的PCT申请PCT/US2015/041037中公开的方法来实现映射子系统,这两个申请的全部内容通过引用被并入。可在感兴趣区域中部署虚拟检查点(VC)。从VC收集的CSI存储在数据库中。如果实时收集的CSI与数据库中的一些CSI匹配,则基于与数据库中的所匹配的CSI相关的位置信息,我们可知道Bot的位置。VC可帮助校正Bot的实时位置的错误估计。注意,Bot将行进过的区域/路径的地图/楼层平面图/路径信息也可帮助校正错误的位置估计。例如,如果我们可知道Bot将从预定的路径进行90度转弯,但Bot的所估计的轨迹是它进行120度转弯,则我们可将Bot的移动轨迹校正到实际路径并避免错误累积。
物体跟踪的应用例子:智能电梯
物体跟踪的一个应用是电梯监控系统。没有用于监控运行的电梯的状态的令人满意的解决方案。例如,很难知道电梯是否很好地运行、正确地工作或将需要立即维护。虽然很多电梯配备有监控摄像机,但上面的问题仍然是未解决的,因为在电梯中拍摄的图像/视频的图像/视频处理非常复杂且需要大的操作带宽。使用在当前教导中公开的物体跟踪系统,我们可使用智能电梯系统来监控电梯的工作状态并支持下面的功能,包括1)细粒度电梯定位,2)紧急状况检测,例如可检测到电梯由于故障而停止,以及3)电梯门打开/关闭检测。
智能电梯系统的主要部件包括下面的三个部分。智能电梯系统的第一部分是电梯跟踪模块,其通过使用惯性测量单元(IMU)或更具体的加速度计来实时地监控电梯的位置。在下面的算法4中概述并在图30中示出跟踪模块的算法。如下列出一些符号及其含义。
算法4:电梯跟踪
首先,因为加速度计具有偏差,在运行电梯跟踪算法之前,我们可能需要通过对在一段时期(例如10秒)期间的加速度计的读数取平均来获得初始偏差估计然后,我们可从加速度计的新原始读数减去估计偏差并获得在当前时间k的电梯的加速度的近似估计(3004)。我们可将电梯移动统计定义为在一段时期内由于加速度而引起的速度的变化(3006),其为在电梯的移动状态的确定中的重要度量。因为只有电梯沿着垂直方向的速度在电梯的位置的估计中起作用,在时隙k的电梯移动统计被计算为:
m[k]=-∑k-Δk≤i≤kt[i]a[i]Tg[i]/||g[i]||, (17)
其中Δk代表用于计算移动统计的时间窗的长度,t[i]是在读数的第i个样本和第(i-1)个样本之间的时间差,a[i]是在减去估计偏差之后的加速度计读数,g[i]是从加速度计获得的重力的测量,以及||g[i]||代表重力的2范数。由于我们可将向上方向设置为正方向的原因,减号也加到m[k],向上方向是重力的相反方向。
因为m[k]表示在垂直方向上的电梯速度的变化,我们可导出在垂直方向上的电梯速度。然后我们可通过检查m[k]的幅值和v[k-1]来确定电梯是否正在移动(3008),v[k-1]是在前一时隙k-1中的电梯的估计速度。如果它们中的任一个高于预设阈值,则算法将电梯的状态设置为移动的。算法还跟踪电梯的估计速度。如果估计速度太快,则算法将设置警报(3020)以通知用户电梯可能经历异常降落。否则,通过对电梯的加速度求积分来更新估计速度。通过对估计速度求积分来更新移动距离,且通过将移动距离加到前一估计位置来更新新的估计位置(3012)。在这个阶段,不更新偏差估计。因为电梯移动统计将引起移动检测的延迟,算法通过加上Δv[k-1]来补偿速度估计,这测量由于移动检测的延迟而引起的速度的损失。
当系统检测到电梯不移动时,它可将当前估计速度设置为0,通过将位置估计舍入到最近的楼层高度来校正位置估计——只要量化误差在某个范围内,并通过将它设置为移动统计来更新Δv[k-1](3018)。因此,根据算法,系统可检查舍入误差(3016)。如果误差大于预设阈值,则电梯可能停在异常位置处,例如在两个相邻楼层之间的某个地方。如果误差是可容忍的,则系统将再次检查移动统计,并在m[k]的幅值足够小时更新偏差的估计(3014)。我们可进行实验以在具有16个楼层的典型建筑物中验证所提出的算法。实验结果在图31和图32中示出。电梯跟踪算法的误差在楼层的0.2高度内。
智能电梯系统的第二部分是人移动检测器模块。系统配备有无线发射机(TX)和无线接收机(RX)。发射机不断将无线信号传输到接收机。我们可利用它们之间的信道状态信息(CSI)以实时地检测是否有任何人存在于电梯内部。在下面的算法5中概述并在图33中示出移动检测模块的算法。
算法5:电梯移动检测
G(f;t)表示在时隙t的子载波f的CSI幅值(3302)。对于具有M乘N天线配置的系统,子载波的总数是F=MNL,其中L是每个天线对的子载波的数量。对于每个子载波f,我们可将移动统计计算为第一阶样本自相关系数(3304),如图33所示,其中T是用于计算移动统计的时间窗的长度。移动统计的物理含义是移动统计越高,移动就越强。在每个子载波上,有为了检测人移动而计算的移动统计,例如当它的样本自相关系数大于预定阈值时(3306)。应用多数投票来融合来自系统的F个子载波的所有决策(3308)。当可用子载波的总数的多于一半检测到在电梯内部的人移动时,则系统检测到移动(3310);否则,没有移动被检测到(3312)。在另一实施方式中,G(f;t)可被定义为在时隙t在子载波f上的CSI的另一函数,例如(CSI幅值)^2、(CSI幅值)^4、在相位偏移清除之后的CSI的实部/虚部。移动统计也可被定义为具有另一阶的样本自相关系数,如果该阶小于时间窗长度T的四分之一。也可采用其它决策融合规则,例如单独决策的加权组合。
智能电梯系统的第三部分是电梯门检测器模块。这个模块利用下面的事实:在接收机侧上的接收信号强度指示(RSSI)在电梯门打开状态和电梯门关闭状态下不同。根据结构、电梯的材料和在电梯中的设备的安装位置,电梯门打开和关闭对RSSI变化的影响也随不同情况而不同。因此,在设备安装到电梯内之后,电梯门检测器模块需要培训过程。也可采用除了RSSI以外的反映接收信号功率的值,例如接收信道功率指示(RCPI)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信噪比(SNR)和信号干扰噪声比(SINR)。
在图34中示出培训过程的算法。电梯门检测器模块从无线设备(例如具有在几个20MHz Wi-Fi信道上的多个接收天线的商用Wi-Fi设备)收集RSSI测量(3402)。例如,使用配备有在40MHz带宽(或两个20MHz Wi-Fi信道)上运行的三个接收天线的Wi-Fi设备,一个RSSI测量包括七个值:针对每个接收天线和每个20MHz Wi-Fi信道有一个RSSI值,导致总共六个RSSI值,以及作为六个RSSI值的和的一个RSSI值。在这里,将R=[r1,1 r2,1 r3,1 r1,2r2,2 r3,2 rsum]表示为RSSI测量矩阵,其中ri,j代表在T个时刻从接收天线i和Wi-Fi信道j获得的RSSI测量,其由ri,j=[ri,j[0],ri,j[1],...,ri,j[T-1]]给出。
考虑到Wi-Fi设备的不稳定性,可在实践中观察到异常RSSI值,其应在进一步处理之前被移除。为了克服RSSI异常值的影响,对在RSSI测量矩阵R中的每个ri,j矢量执行中值滤波(3404),且我们可将因而产生的RSSI测量矩阵表示为Rmed。
为了进一步减小在由噪声引起的RSSI测量中的高频波动,对每个中值滤波后的RSSI矢量ri,j(被表示为矩阵Rmed的ri,j,med)执行低通滤波(3406),产生具有由ri,j,lp给出的RSSI矢量的RSSI测量矩阵Rlp。
当电梯门保持打开或关闭时,RSSI测量将停留在恒定水平周围。另一方面,在当电梯门正打开或关闭时的时刻处,可观察到RSSI的突然变化。这暗示当门保持打开或关闭时RSSI值随着时间的斜率将接近于零,而当门正打开或关闭时RSSI值的斜率将极大地改变。因此,电梯门检测模块将Rlp的持续时间分成多个重叠的时间窗,并分别评估RlD的每个矢量的斜率(3408)。
例如,给定由r′i,j,lp=[r′i,j,lp[0],r′i,j,lp[1],r′i,j,lp[2],...r′i,j,lp[N-1]]表示的对接收天线i和Wi-Fi信道j的N个测量,可使用最小二乘估计来估计在当前时间窗期间的斜率s,其被表示为:
其中n=[0,1,2,...,N-1]是时间指数矢量。在所有时间窗上的每个接收天线和Wi-Fi信道的斜率估计组合成由矢量Si,j组成的斜率测量矩阵S。
通常,电梯门打开操作比电梯门关闭操作可预测得多。例如,人可通过阻挡电梯门来阻止电梯门关闭,而电梯门的打开多半是不可中断的。因为当电梯门打开时RSSI值将下降,可在当电梯门正打开时的时间在斜率估计中观察到谷。因此,为了使用常规峰值检测(3410),模块产生S′=-S作为实际斜率估计矩阵S的负数,其使谷被检测为峰。
使用标准(例如峰值起伏度、峰值宽度和峰值持久性)来对斜率测量矩阵S′中的每个矢量S′ij执行峰值检测算法(3410)。假定对S′ij检测到p个峰值,则模块从p个峰值中选择具有最大起伏度的峰值。假设峰值位置是n,则模块选择在矢量ri,j,lp中的峰值位置n的左边的几秒的段,并将在那个段内部的平均RSSI评估为RSSIi,j,c,其为当电梯门关闭时的平均RSSI值。同时,模块选择在矢量ri,j,lp中的峰值位置n的右边的几秒的另一段,并将在那个段内部的平均RSSI评估为RSSIi,j,o,其为当电梯门打开时的平均RSSI值。在它们之间的差异也被计算为RSSIi,j,d。在对所有接收天线i和Wi-Fi信道j计算RSSIi,j,d值之后,模块选择导致最大RSSIi,j,d的(i,j)组合,即,在门打开和关闭状态之间的最大裕度。
假设(imax,jmax)导致最大RSSIi,j,d,RSSI阈值(3412)然后被确定为其中0<α<1。注意,如果这意味着与电梯门关闭状态相关的RSSI低于与电梯门打开状态相关的RSSI,模块宣布培训失败,且重新培训是需要的。
电梯门检测器模块在培训的持续时间中需要至少一次电梯门打开。
在培训阶段之后,电梯门检测器模块可执行实时门监控。在图35中示出算法。对于每个进入的RSSI测量(3502),模块从imax接收天线和jmaxWi-Fi信道选择RSSI值。然后,它执行中值滤波3504和低通滤波3506以减轻在RSSI测量中的异常值和高频噪声。假设在滤波之后的RSSI值对于第n个RSSI测量是r′i,j,lp[n]。模块比较r′i,j,lp[n]与在培训阶段(3508)中获得的阈值RSSIth,如果r′i,j,lp[n]>RSSIth,则确定门关闭(3514),以及如果r′i,j,lp[n]≤RSSIth,则确定门打开(3510)。
在实践中,由于在电梯结构、温度或硬件问题中的轻微变化,与电梯门打开和关闭状态相关的RSSI水平可随着时间的过去而改变。因此,模块基于如在培训过程中引入的斜率估计3516和峰值检测3518来不断更新RSSI值(3520)。只要峰值被检测到,模块就重新评估RSSI阈值。如果RSSI阈值是有效的,则模块更新RSSIth(3520)并对下一次电梯门检测使用它。
多少带宽是需要的
如在当前教导中早些时候提到的,基于TR系统的性能依赖于解析自然地存在于环境中的很多多径的能力。由于更好的时间分辨率,更大的操作带宽导致更多可解析的多径。
然而,频谱仍然是具有它自己的成本的稀有资源。所以我们可能需要确定在基于TR的系统中需要多少带宽,且一个度量是优化系统的频谱效率。考虑如在2013年8月16日提交的标题为“Time-Reversal Wireless System Having Asymmetric Architecture”的美国专利号13/969,271中公开的具有多个天线和变化的带宽的时间反演分多址(TRDMA)系统的例子,该专利通过引用被全部并入。给定用户的数量N和退避因子D,系统的最佳带宽被定义为实现最大频谱效率所需的带宽。我们可首先基于在典型室内环境中的真实信道测量来建立具有变化的带宽的系统的等效多抽头信道模型。通过评估具有变化的带宽和不同签名类型(例如基本TR签名和迫零(ZF)签名)的TRDMA系统的频谱效率,我们可发现,TR通信的最优带宽由用户的数量N和退避因子D而不是签名类型确定。更特别地,系统的最佳带宽在D小时随着D而增加,而在D大时随着N而增加。
即使可通过检查频谱效率来获得TR系统的最佳带宽,也可基于信道矩阵的轶条件来导出次优带宽,获取其比估计频谱效率容易得多。模拟结果验证t理论分析并表明当D小时次优带宽非常接近于最佳带宽。
在图36中示出具有多个天线的典型时间反演分多址系统(TRDAM-MA系统)的上行链路传输,其中N个端子设备(TD)同时将信号传输到配备有M个天线的接入点(AP)。所发射的信号通过多径信道传播并到达AP,其中表示在第i个TD和在AP处的第m个天线之间的多径信道。
TR通信的性能内在地取决于在信道冲激响应(CIR)中的所解析的独立抽头的数量,CIR被利用来实现TD的多路存取。不是如大规模MIM0系统那样部署大量天线,TR技术试图收获在具有大带宽的环境中的自然地存在的多径。在下文中,我们可首先示出在所解析的独立多径的数量和系统带宽之间的关系。然后,建立具有变化的带宽的信道模型,用于在当前教导中的稍后的理论分析。
由实际通信系统的有限带宽W约束,脉冲整形滤波器一般用于限制传输的有效带宽。通常,脉冲Tp的持续时间通过关系Tp=1/W由可用带宽W限制。因此,具有有限带宽W的系统的等效信道响应可被表示为:
从(20)中,我们可看到,对于时间差小于Tp的那些路径,它们由于有限带宽W而混合在一起。换句话说,这些路径像在系统中的等效CIR中的一个路径一样被处理。
根据分析,我们可考虑如下信道模型:
其中给定带宽W,L是所解析的独立抽头的数量,且α是由环境确定的常数。注意,L通过L=f(W)由带宽确定,且给定W的某个范围,f是一对一映射,其可以是通过实验而拟合的曲线。将在稍后用真实实验研究函数f。从(21)中,观察到总预期信道增益对变化的W和因而L保持恒定。而且,L越大,由于更好的时间分辨率,在(21)中的两个抽头的衰减就越小。
为了标记法的容易,我们可在下面的分析中找到最佳L*,且可通过f的逆映射来获得相应的最佳W*。
将{Xi}表示为待传输到AP的在第i个TD处的信息符号的序列。为了抑制ISI以及匹配符号速率与芯片速率,通过在两个符号之间插入(D-1)个零来引入退避因子D,即
其中(·)[D]表示D倍上采样。N个TD的上采样的信息符号通过多径信道被传输出并在AP处加在一起。例如,在AP的第m个天线处接收的信号被表示如下:
其中nm是在第m个天线处的加性高斯噪声。
第i个TD的均衡符号在M个天线上被组合为:
通过用内积代替卷积,(26)可以被重写为如下:
基于(28),第i个TD的有效SINR不仅取决于N和D,而且取决于L,其与系统带宽紧密相关。
基于如在(21)中所示的信道模型,在带宽W和信道抽头的数量L之间存在一对一映射。因此,带宽在确定如在(28)中所示的TRDMA-MA系统的单独频谱效率时起重要作用。
在TRDMA-MA系统中的第i个TD的频谱效率被定义为:
给定固定的D,其为SINRi的递增函数。给定N和D,最大化频谱效率的最佳L*被写为:
其中N个TD被假设均匀地分布,且因此共享同一频谱效率。在那之后,最佳带宽W*可被获得为:
W*=f-1(L*), (31)
其中f是将系统带宽W映射到所解析的独立抽头L的数量的函数。可以用在例如图3中的实验数据上的曲线拟合来导出函数f,实验数据可随着不同的室内环境而改变。
即使可在TRDMA-MA系统中部署导致频谱效率的不同值的各种签名类型,由于自由度的相同数量,签名设计方法也不应影响L*和因而TRDMA-MA系统的最佳带宽W*。而且,因为在带宽W和L之间存在一对一映射,我们可试图如下找到最佳L*。
作为例子,我们可探究具有基本TR签名和ZF签名的TRMDA-MA系统的L*。
当获取在第i个TD和第m个天线之间的CIR时,基本TR签名可作为时间反演的CIR的归一化(通过到M个天线的平均信道增益)复共轭来获得:
基于(32),信号的预期功率、在(28)中的ISI和IUI项可如下被写为:
其中
可观察到,给定用户的固定数量N和退避因子D,Psig随着发射天线M的数量而增加。然而,Psig随着L而减小,因为每个抽头的功率变得小得多,即使项的数量较大。关于其它项,Pisi随着L而增加,而Piui随着L而减小。因此,使用较大带宽的主要益处是通过解析较大数量的多径而抑制IUI。另一方面,较大的L导致较小的信号功率和较大的ISI。基于这些观察,频谱效率随着L而增加,如果IUI的降低比较大的L对Psig和Pisi的副作用更为重要。因此,将存在可实现最大频谱效率的最佳L*和因而W*。
不同于基于每个单独的TD的CIR而设计的基本TR签名,ZF签名根据所有TD的CIR而设计,即
其中czf是实现签名单位功率的归一化因子,以及Qm是对第m个天线的N个TD的组合信道矩阵,即
我们可首先考虑Qm是满列轶的情况。在这个情形下,可基于(36)和(39)来如下导出预期信号的预期功率、在(28)中的ISI和IUI:
从(40)中,可看到,当Qm是满列轶时,不能完全消除干扰Pisi和Piui。基于稍后示出的数值模拟结果,干扰将减小,因为Qm倾向于是满行轶。
一旦Qm变成满行轶,根据(36),所有干扰就可被移除。更特别地,
换句话说,
因此,基于(42),我们可确定Pisi=0和Piui=0。信号功率变成:
其中
从数值模拟中,(43)首先随着L而增加且稍后饱和。因此,频谱效率首先随着L而增加,且然后在满行轶情形下饱和。
从上面的分析中,最佳L*与Qm的轶条件紧密相关。为了抑制ISI和IUI,L*应接近于使Qm成为满行轶或更可能是满行轶的L。这个观察可激发我们仅基于Qm的轶条件来找到次优作为L*的近似。在下文中,我们可分析L的充分条件以使Qm成为满行轶。
如在(37)中定义的,Qm是矩阵。因为在每个CIR中的抽头和不同TD的CIR是相互独立的,假设Qm的行是独立的是合理的。通常,当时,Qm将是满行轶。基于的事实,其中x是正数,我们可得到使Qm成为满行轶的在L上的一个充分条件,即,给定N和D,使Qm成为满行轶的在L上的充分条件是:
根据(46),次优仅取决于系统参数,例如用户的数量N和退避因子D,这使得相比于评估频谱效率以导出最佳L*,更容易获得。一旦导出最佳L*或次优就可根据(31)获得系统的相应带宽。在下面的模拟中示出导出(31)的例子。
在模拟中,我们可首先在室内环境中进行试验以验证在可解析的独立多径的数量L和系统带宽W之间的关系。然后,进行模拟以评估最佳L*和因而具有基本TR和ZF签名的TRDMA-MA系统的最佳带宽。
我们可使用两个通用软件无线电外设(USRP)作为信道探测器来探测在办公室中的信道,其中TX位于具有5cm分辨率的信道探测台上,而RX放置在如图5所示的走廊中。我们可使用跳频扫描在4.9-5.9GHz中的频谱以使用100mW的发射频率来获取10MHz-1GHz带宽的CIR。
基于所测量的数据,利用本征值分析来确定对任何给定带宽W的所解析的独立多径的数量。首先,我们可使用统计平均来估计所测量的信道Kh,W的协方差矩阵:
其中hi,W是在带宽W和N=100的情况下在位置i处获得的信道信息。因为Kh,W是Hermitian和正定的,存在单位矩阵U,使得
在图37中概述实验结果。从图37中,我们可看到,信道能量在带宽小时集中在小数量的本征值中而当带宽增加时在大量本征值上扩展。我们也可在图38中显示在室内环境中的显著多径的数量相对于系统带宽的对比。可看到,使用单个天线,当带宽增加到1GHz时,多径的数量可接近大约100。通过部署更多的天线,这样的自由度可进一步按比例增加。
基于图38,可通过曲线拟合来获得将W映射到L的函数f。
在下文中,考虑具有基本TR签名的系统。从前面的分析中,我们可发现最佳L*与D和N都紧密相关。因此,在下文中,我们可单独地评估D和N对L*的影响。
首先,给定固定的N=5,我们可研究D对L*的影响。我们可假设系统的SNR是20dB。在图39中在D=20的情况下以及在图40中在D=4的情况下示出一个用户的频谱效率。从这些附图中,我们可看到M对L*没有影响(即,频谱效率的峰值出现在同一L*周围),即使频谱效率随着M而增加。频谱效率的曲线看起来对大D和小D是相当可区别的。更具体地,当D大时频谱效率看来具有上限,即,在L足够大之后频谱效率饱和。另一方面,当D小时存在唯一的L*。当L>L*时,频谱效率减小。
现在我们可通过选择一系列D来研究更一般的情况。因为M对L*没有影响,天线的数量被固定为M=2。在图41中示出具有基本TR签名的单独用户的频谱效率。从附图中,我们可首先观察到,频谱效率随着D而减小,这是由于项1/D主导在(28)中的SINR的提高的事实。然后我们可发现,D对L*的影响很大程度上取决于D的值。一方面,当D小(例如D=1→5)时L*随着D而增加。另一方面,当D足够大(例如D≥20)时,L*似乎与D无关。
在下文中,我们可探究N对L*的影响。如我们可知道的,当D小时,L*与M无关并由D确定。因此,我们可在下面的模拟中考虑对于D=20(图42)和D=4(图43)在M=2与变化的D的情况下的系统。从图42和图43中,可看到,频谱效率随着N而减小,因为IUI随着N而增加。如图42所示,当D大时,N越大,实现最大频谱效率的L*就越大。还证实当D小时L*与N无关,如图43所示。
通过概述在基本TR签名的情况下的频谱效率的之前的模拟结果,我们可观察到,L*由N和D而不是M确定。而且,当D小时,L*与N无关但随着D增加。另一方面,当D大时,L*随着N增加但与D无关。即使不同的签名设计方法可实现不同的频谱效率,L*也应独立于指定的签名设计方法。因此,关于L*的结论也可应用于ZF签名情形,这在下文中被验证。
如上面所讨论的,我们可找到在基本TR情形下关于D和N对L*的影响的一些一般结论。在下文中,可验证同一结论也可应用于ZF签名情形。
给定固定的N=5,我们可首先研究D对L*的影响。与前面的内容相同,我们可评估在ZF签名的情况下针对大D和小D的频谱效率。我们可假设系统的SNR是20dB。在图44和图45中示出在ZF签名的情况下的频谱效率,其中分别D=20和D=2。首先,频谱效率随着M而增加,但L*与M无关。如在图44中所示的,当D大时,L具有实现最大频谱效率的下限。当D小时,存在唯一的L*,如图45所示。
然后我们可研究在具有变化的D的在ZF签名下的频谱效率。我们可在模拟中固定M=2和N=5。根据图46,假定D小,实现最大频谱效率的L*随着D而增加。当D足够大时,L*倾向于与D无关。
在下文中我们可探究N对L*的影响。在模拟中,我们可固定M=2以及SNR为20dB。分别如图48和图49所示,对于D=20和D=2,在变化的N的情况下模拟频谱效率。从图48中,显示当D足够大时,L*随着N而增加。然而,如图49所示,当D小时,L*变得与N无关。
从对ZF签名的模拟结果中,我们可发现D和N对L*的影响与在基本TR签名情形中完全相同。换句话说,L*被验证独立于签名类型。可在下面的等式中概述这些发现,
其中f和g都是递增函数。
即使我们能在(49)中找到关于L*的一些有用的结论,频谱效率也需要被评估以获得L*的确切值,这从计算方面来说是昂贵的。基于以前的讨论,我们可使用秩评估作为计算频谱效率的替代,其提供L*的次优近似。虽然秩评估对ZF签名更直观,但它也可应用于根据前面的讨论的其它签名类型。
基于(46),次优仅依赖于D和N,这在图47中绘制出。从附图中可看到,按照(49),次优与L*一致。通过比较图47与图41和图46,当D小时,作为L*的估计是相当准确的。当D大时,变成L*的下限,如图42和图48所示。对于具有ZF签名的系统,频谱效率在之后继续随着L增加一会儿,因为在(43)中的czf在它饱和之前继续随着L而增加。
为了实现在当前公开中描述的各种模块、单元和它们的功能,计算机硬件平台可用作本文所述的一个或多个元件(例如关于图1-49中的任一个所述的系统的部件)的硬件平台。这样的计算机的硬件元件、操作系统和编程语言本质上是常规的,且假设本领域中的技术人员足够熟悉其以使那些技术适合于基于如本文所述的富足散射环境中的时间反演技术来探究物体跟踪。具有用户界面元件的计算机可用于实现个人计算机(PC)或其它类型的工作站或终端设备,虽然计算机也可充当服务器,如果适当地被编程的话。认为本领域中的技术人员熟悉这样的计算机设备的结构、编程和一般操作,且作为结果,附图应是不解自明的。
所公开的系统可由具有包括用户界面元件的硬件平台的功能框图图示的专用系统实现。计算机可以是通用计算机或专用计算机。这两种计算机都可用于实现用于当前教导的专用系统。该计算机可用于实现基于富足散射环境中的时间反演技术的任何部件,如本文所述。例如,可在计算机上经由它的硬件、软件程序、固件或其组合来实现在图8中的系统。
因此,如上面概述的富足散射环境中的时间反演技术的物体跟踪的方法的方面可体现在编程中。技术的程序方面可被认为是一般以在一种类型的机器可读介质上携带或在该机器可读介质中体现的可执行代码和/或相关数据的形式的“产品”或“制造物品”。有形非临时“存储”类型介质包括计算机、处理器等或其相关模块的任何或所有存储器或其它存储装置,例如各种半导体存储器、磁带驱动器、磁盘驱动器等,其可在任何时间为软件编程提供存储。
可有时通过网络例如互联网或各种其它电信网络来传递软件的全部或部分。这样的传递例如可使软件能够从一个计算机或处理器装入到另一计算机或处理器内。因此,可携带软件元件的另一类型的介质包括例如在本地设备之间的物理接口之间通过有线和光陆线网络并在各种空中链路上使用的光、电和电磁波。携带这样的波的物理元件(例如有线和无线链路、光链路等)也可被考虑为携带软件的介质。如在本文使用的,除非被限制到有形“存储”介质,术语例如计算机或机器“可读介质”指参与向处理器提供指令用于执行的任何介质。
因此,机器可读介质可采取各种形式,包括但不限于有形存储介质、载波介质或物理传输介质。非易失性存储介质包括例如光盘或磁盘,例如在可用于实现如在附图中所示的系统或它的任何部件的任何计算机等中的任何存储设备。易失性存储介质包括动态存储器,例如这样的计算机平台的主存储器。有形传输介质包括同轴电缆;铜线和光纤,包括在计算机系统内形成总线的电线。载波传输介质可采取电信号或电磁信号或声波或光波(例如在射频(RF)和红外(IR)数据通信期间产生的波)的形式。计算机可读介质的常见形式因此包括例如:软盘、柔性盘、硬盘、磁带、任何其它磁性介质、CD-ROM、DVD或DVD-ROM、任何其它光学介质、穿孔卡片纸带、具有孔的图案的任何其它物理存储介质、RAM、PROM和EPROM、FLASH-EPROM、任何其它存储器芯片或卡盘、传送数据或指令的载波、传送这样的载波的电缆或链路或计算机可从中读取编程代码和/或数据的任何其它介质。可在将一个或多个指令的一个或多个序列传送到物理处理器用于执行时涉及这些形式的计算机可读介质中的很多。
本领域中的技术人员将认识到,当前教导可接受各种修改和/或增强。例如,虽然上面所述的各种部件的实现可体现在硬件设备中,但它也可被实现为仅软件解决方案,例如在现有服务器上的安装。此外,如在本文公开的基于富足散射环境中的时间反演技术的物体跟踪可被实现为固件、固件/软件组合、固件/硬件组合或硬件/固件/软件组合。
虽然描述了被考虑为构成当前教导和/或其它例子的前述内容,但应理解,可对其做出各种修改且本文公开的主题可在各种形式和例子中实现,以及可在很多应用中应用本教导,这些应用中的仅仅一些在本文被描述。意图是通过所附的权利要求来主张落在当前教导的真实范围内的任何和所有应用、修改和变化。
Claims (19)
1.一种用于实时地跟踪物体的移动的方法,所述方法在至少包括处理器和与所述处理器通信地耦合的存储器的机器上实现,所述方法包括:
获得在所述物体的移动之前的所述物体的初始位置;
从被所述物体的移动影响的多径信道获得至少一个无线信号;
从所述至少一个无线信号提取所述多径信道的CSI的时间序列;
基于CSI的所述时间序列来确定所述物体的移动的距离;
估计所述物体的移动的方向;以及
基于所述距离、所述方向和所述初始位置来确定在所述移动之后的所述物体的新位置;
其中确定所述物体的移动的距离包括:
清除CSI的时间序列中的每个的相位偏移;
基于在CSI的时间序列当中的每对相邻CSI来计算相似性分数以获得多个计算出的相似性分数,其中所述多个计算出的相似性分数中的每个指示在相应的一对CSI之间的相似性程度;
基于所述多个计算出的相似性分数来计算平均相似性分数,其中所述平均相似性分数指示与所述物体的移动相关联的空间共振衰减的程度;以及
比较所述平均相似性分数与参考衰减曲线以获得估计的距离。
2.如权利要求1所述的方法,其中所述物体携带下列项中的至少一个:
发射所述至少一个无线信号的发射机;
接收所述至少一个无线信号的接收机;以及
配置用于方向估计的传感器。
3.如权利要求1所述的方法,其中确定所述物体的移动的距离还包括:
基于在CSI的时间序列中的第一个CSI和最后一个CSI来计算额外的相似性分数;
比较所述额外的相似性分数与预定阈值;
当所述额外的相似性分数超过所述预定阈值时将所述物体的移动的距离确定为零;以及
当所述额外的相似性分数未超过所述预定阈值时将所述物体的移动的距离确定为估计的距离。
4.如权利要求1所述的方法,其中基于下列项中的至少一个来计算所述相似性分数:一对CSI的TRRS、互相关、自相关、两个矢量的内积、距离分数、相位校正、定时校正、定时补偿和相位偏移补偿。
5.一种用于实时地跟踪物体的移动的方法,所述方法在至少包括处理器和与所述处理器通信地耦合的存储器的机器上实现,所述方法包括:
获得在所述物体的移动之前的所述物体的初始位置;
从被所述物体的移动影响的多径信道获得至少一个无线信号;
从所述至少一个无线信号提取所述多径信道的CSI的时间序列;
基于CSI的所述时间序列来确定所述物体的移动的距离;
估计所述物体的移动的方向;以及
基于所述距离、所述方向和所述初始位置来确定在所述移动之后的所述物体的新位置;
其中确定所述物体的移动的距离包括:
清除CSI的时间序列中的每个的相位偏移,其中根据采样周期来提取CSI的所述时间序列;
计算在CSI的所述时间序列中的最近的CSI和在CSI的所述时间序列中的每个前面的CSI之间的相似性分数,以获得相似性分数的时间序列,其中相似性分数的时间序列中的每个指示在所述最近的CSI和相应的前面的CSI之间的相似性程度;
基于相似性分数的时间序列来确定曲线;
识别所述曲线上的特征点;
估计与所述曲线上的所述特征点对应的时间段;
估计在所述时间段期间的移动的速度;以及
基于所述速度和所述采样周期来获得所述物体的移动的估计的距离。
6.如权利要求5所述的方法,其中确定所述物体的移动的距离还包括:
基于在CSI的所述时间序列中的第一个CSI和最后一个CSI来计算额外的相似性分数;
比较所述额外的相似性分数与预定阈值;
当所述额外的相似性分数超过所述预定阈值时将所述物体的移动的距离确定为零;以及
当所述额外的相似性分数未超过所述预定阈值时将所述物体的移动的距离确定为估计的距离。
7.如权利要求5所述的方法,其中基于下列项中的至少一个来计算相似性分数:一对CSI的TRRS、互相关、自相关、两个矢量的内积、距离分数、相位校正、定时校正、定时补偿和相位偏移补偿。
8.如权利要求5所述的方法,其中基于下列项中的至少一个来识别所述曲线上的所述特征点:所述曲线上的第一局部峰、所述曲线上的一个或多个其它局部峰、所述曲线上的第一局部底、所述曲线上的一个或多个其它局部底、以及与所述曲线上的局部峰或局部底具有预定关系的点。
9.如权利要求5所述的方法,其中基于所述曲线上的第一局部峰来识别所述曲线上的所述特征点,以及基于与所述第一局部峰对应的相似性分数和在相似性分数的时间序列当中的两个相邻相似性分数来估计与所述第一局部峰对应的时间段。
10.如权利要求1或5所述的方法,其中估计所述物体的移动的方向包括:
从第一传感器获得所述物体的重力方向;
从第二传感器获得所述物体的旋转信息;
基于所述重力方向和所述旋转信息来确定坐标旋转速度;
获得所述第二传感器的传感器读数间隔;
基于所述坐标旋转速度和所述传感器读数间隔来计算方向变化;以及
基于所述方向变化和先前估计的方向来估计移动的方向。
11.如权利要求10所述的方法,其中从第二传感器获得所述物体的旋转信息包括从陀螺仪获得所述物体的角速度。
12.如权利要求1或5所述的方法,其中估计所述物体的移动的方向包括:
获得从第一位置直接到第二位置的第一移动距离;
获得从所述第二位置直接到第三位置的第二移动距离;
获得从所述第一位置直接到所述第三位置的第三移动距离,其中基于CSI的所述时间序列来确定所述第一移动距离、第二移动距离和第三移动距离中的至少一个;以及
根据三角法基于所述第一移动距离、第二移动距离和第三移动距离来估计所述物体的移动的方向。
13.如权利要求1或5所述的方法,其中估计所述物体的移动的方向包括:
获得在多个天线上的在时间窗内的空间共振强度的多个平均衰减曲线;
基于所述多个平均衰减曲线来确定至少一个模式;以及
基于所述至少一个模式来估计所述物体的移动的方向。
14.如权利要求1或5所述的方法,其中:
所述至少一个无线信号由接收机通过网络接收,所述网络是互联网、网际协议网络和另一多址网络中的至少一个;以及
所述接收机与下列项中的至少一个的物理层相关:蓝牙、Wi-Fi、WiMax和HiperMAN。
15.一种用于实时地跟踪物体的移动的系统,包括:
接收机,其配置成从被所述物体的移动影响的多径信道接收至少一个无线信号;
处理器;以及
存储器,其与所述处理器通信地耦合,其中所述处理器配置成:
获得在所述物体的移动之前的所述物体的初始位置;
从所述至少一个无线信号提取所述多径信道的CSI的时间序列;
基于CSI的所述时间序列来确定所述物体的移动的距离;
估计所述物体的移动的方向;以及
基于所述距离、所述方向和所述初始位置来确定在所述移动之后的所述物体的新位置;
其中确定所述物体的移动的距离包括:
清除CSI的时间序列中的每个的相位偏移;
基于在CSI的时间序列当中的每对相邻CSI来计算相似性分数以获得多个计算出的相似性分数,其中所述多个计算出的相似性分数中的每个指示在相应的一对CSI之间的相似性程度;
基于所述多个计算出的相似性分数来计算平均相似性分数,其中所述平均相似性分数指示与所述物体的移动相关联的空间共振衰减的程度;以及
比较所述平均相似性分数与参考衰减曲线以获得估计的距离。
16.一种用于检测在场所中的物体移动的系统,包括:
发射机,其配置成发射至少一个无线信号;
接收机,其配置成接收会被所述场所中的物体移动影响的所述至少一个无线信号;
处理器;以及
存储器,其与所述处理器通信地耦合,其中所述处理器配置成:
从所述至少一个无线信号提取CSI的一个或多个时间序列,
基于CSI的所述一个或多个时间序列来计算统计值,其中所述统计值代表在所述场所中的物体移动的程度,以及
基于所述统计值来确定在所述场所中是否存在物体移动;
获得在所述物体的移动之前的所述物体的初始位置;
基于CSI的所述时间序列来确定所述物体的移动的距离;
估计所述物体的移动的方向;以及
基于所述距离、所述方向和所述初始位置来确定在所述移动之后的所述物体的新位置;
其中确定所述物体的移动的距离包括:
清除CSI的时间序列中的每个的相位偏移;
基于在CSI的时间序列当中的每对相邻CSI来计算相似性分数以获得多个计算出的相似性分数,其中所述多个计算出的相似性分数中的每个指示在相应的一对CSI之间的相似性程度;
基于所述多个计算出的相似性分数来计算平均相似性分数,其中所述平均相似性分数指示与所述物体的移动相关联的空间共振衰减的程度;以及
比较所述平均相似性分数与参考衰减曲线以获得估计的距离。
17.如权利要求16所述的系统,其中基于下列项中的至少一个来计算所述统计值:CSI的所述一个或多个时间序列中的CSI的实部、所述CSI的虚部、所述CSI的CSI幅度、所述CSI幅度的平方、所述CSI幅度的另一函数和从CSI的所述一个或多个时间序列的函数导出的样本自相关系数。
18.如权利要求16所述的系统,其中:
所述至少一个无线信号包括多个子载波;以及
计算所述统计值包括:
为所述多个子载波中的每个计算CSI的时间序列,
基于CSI的每个时间序列来计算子统计以产生多个子统计,以及
基于所述多个子统计来计算所述统计值。
19.如权利要求18所述的系统,其中基于下列项中的至少一个来确定在所述场所中是否存在物体移动:
用于融合来自所述多个子统计的关于物体移动是否存在的所有决策的多数投票;以及
在所述多个子统计的统计组合和阈值之间的比较。
Applications Claiming Priority (7)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662322575P | 2016-04-14 | 2016-04-14 | |
US62/322575 | 2016-04-14 | ||
US201662334110P | 2016-05-10 | 2016-05-10 | |
US62/334110 | 2016-05-10 | ||
US201662409796P | 2016-10-18 | 2016-10-18 | |
US62/409796 | 2016-10-18 | ||
PCT/US2017/027131 WO2017180698A1 (en) | 2016-04-14 | 2017-04-12 | Methods, apparatus, servers, and systems for object tracking |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109073389A CN109073389A (zh) | 2018-12-21 |
CN109073389B true CN109073389B (zh) | 2023-04-11 |
Family
ID=60042787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780028508.4A Active CN109073389B (zh) | 2016-04-14 | 2017-04-12 | 用于物体跟踪的方法、装置、服务器和系统 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3443300A4 (zh) |
JP (2) | JP6971254B2 (zh) |
CN (1) | CN109073389B (zh) |
WO (1) | WO2017180698A1 (zh) |
Families Citing this family (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10291460B2 (en) | 2012-12-05 | 2019-05-14 | Origin Wireless, Inc. | Method, apparatus, and system for wireless motion monitoring |
US10447094B2 (en) | 2016-05-03 | 2019-10-15 | Origin Wireless, Inc. | Method, system, and apparatus for wireless power transmission based on power waveforming |
US11025475B2 (en) | 2012-12-05 | 2021-06-01 | Origin Wireless, Inc. | Method, apparatus, server, and systems of time-reversal technology |
US10270642B2 (en) | 2012-12-05 | 2019-04-23 | Origin Wireless, Inc. | Method, apparatus, and system for object tracking and navigation |
US10495725B2 (en) | 2012-12-05 | 2019-12-03 | Origin Wireless, Inc. | Method, apparatus, server and system for real-time vital sign detection and monitoring |
US10374863B2 (en) | 2012-12-05 | 2019-08-06 | Origin Wireless, Inc. | Apparatus, systems and methods for event recognition based on a wireless signal |
US10735298B2 (en) | 2012-12-05 | 2020-08-04 | Origin Wireless, Inc. | Method, apparatus, server and system for vital sign detection and monitoring |
US10228439B1 (en) * | 2017-10-31 | 2019-03-12 | Cognitive Systems Corp. | Motion detection based on filtered statistical parameters of wireless signals |
EP3879298A3 (en) * | 2017-12-01 | 2021-12-08 | Origin Wireless, Inc. | Method, apparatus, and system for object tracking and navigation |
US10852411B2 (en) * | 2017-12-06 | 2020-12-01 | Cognitive Systems Corp. | Motion detection and localization based on bi-directional channel sounding |
EP3891523A1 (en) * | 2018-12-03 | 2021-10-13 | Lac Camera Systems OY | Self-positioning method, self-positioning system and tracking beacon unit |
CN109495883A (zh) * | 2019-01-07 | 2019-03-19 | 重庆邮电大学 | 一种基于时间反演技术的室内保密通信方案 |
CN109617591B (zh) * | 2019-01-21 | 2021-11-23 | 重庆邮电大学 | 一种基于WiFi的链路级运动目标跟踪方法 |
CN109672485B (zh) * | 2019-01-24 | 2021-07-09 | 西安电子科技大学 | 基于信道状态信息室内人员实时入侵及运动速度检测方法 |
CN109738856B (zh) * | 2019-01-29 | 2022-12-06 | 西南交通大学 | 一种基于时间反演的噪声抑制Capon有源目标DOA估算方法 |
US11805396B2 (en) | 2019-03-27 | 2023-10-31 | Analog Devices, Inc. | Coherent summation in wireless sensor platforms |
CN109887369B (zh) * | 2019-04-17 | 2021-06-01 | 江苏科技大学 | 一种船舶险情逃生模拟培训系统 |
JP2020201674A (ja) * | 2019-06-07 | 2020-12-17 | キヤノン株式会社 | 映像解析装置及びその制御方法及びプログラム |
CN110642127A (zh) * | 2019-09-11 | 2020-01-03 | 宁波申菱机电科技股份有限公司 | 基于物联网的电梯门机群管理方法、存储介质及其系统 |
US11181379B2 (en) * | 2019-09-12 | 2021-11-23 | Robert Bosch Gmbh | System and method for enhancing non-inertial tracking system with inertial constraints |
CN110738130A (zh) * | 2019-09-21 | 2020-01-31 | 天津大学 | 基于Wi-Fi的路径独立的步态识别方法 |
CN110889432B (zh) * | 2019-10-29 | 2022-07-29 | 北京迈格威科技有限公司 | 特征点匹配方法、装置、计算机设备和存储介质 |
CN112781580B (zh) * | 2019-11-06 | 2024-04-26 | 佛山市云米电器科技有限公司 | 家庭设备的定位方法、智能家居设备及存储介质 |
CN110852266A (zh) * | 2019-11-11 | 2020-02-28 | 重庆邮电大学 | 一种基于无线信号的步态特征提取方法 |
US11966852B2 (en) | 2019-12-11 | 2024-04-23 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for situation awareness |
KR102293205B1 (ko) * | 2019-12-26 | 2021-08-25 | 한국과학기술원 | 실내측위장치 및 실내측위방법 |
CN111265139A (zh) * | 2020-03-19 | 2020-06-12 | 广东蓝水花智能电子有限公司 | 一种智能马桶座圈控制方法 |
CN111596564B (zh) * | 2020-05-19 | 2022-08-02 | 哈尔滨工程大学 | 一种基于WiFi手势识别的智能家居管理系统 |
JP7349683B2 (ja) * | 2020-07-20 | 2023-09-25 | 日本電信電話株式会社 | 物体検知システム、物体検知装置、物体検知方法および物体検知プログラム |
CN112070936B (zh) * | 2020-09-07 | 2022-02-08 | 车链云(深圳)科技有限公司 | 行人目标识别监控方法及系统 |
CN112057083B (zh) * | 2020-09-17 | 2024-02-13 | 中国人民解放军火箭军工程大学 | 可穿戴人体上肢位姿采集设备及采集方法 |
CN112924935B (zh) * | 2021-02-25 | 2023-10-27 | 浙江大学 | 基于单声波基站的移动智能终端室内定位方法及装置 |
CN113261942B (zh) * | 2021-04-02 | 2022-07-15 | 浙江工业大学 | 一种非接触式人体呼吸参数实时测量方法及系统 |
US11743682B2 (en) | 2021-04-13 | 2023-08-29 | Qualcomm Incorporated | Indoor map generation using radio frequency sensing |
CN113120713B (zh) * | 2021-04-28 | 2023-09-08 | 上海有个机器人有限公司 | 电梯定位方法 |
CN113296396B (zh) * | 2021-05-26 | 2022-06-03 | 广东电网有限责任公司 | 一种高频噪声功率增益的自动跟踪系统及方法 |
WO2023287516A1 (en) * | 2021-07-16 | 2023-01-19 | Qualcomm Incorporated | Channel state information (csi) reporting for radio frequency (rf) sensing |
CN113598651A (zh) * | 2021-07-23 | 2021-11-05 | 深圳市云鼠科技开发有限公司 | 基于微波的清洁机器人控制方法、装置、计算机设备及存储器 |
CN113788377B (zh) * | 2021-09-16 | 2023-03-31 | 北京云迹科技股份有限公司 | 一种机器人乘梯检测方法及装置 |
CN114487471B (zh) * | 2022-01-26 | 2022-11-01 | 大连理工大学 | 一种基于无线网络的非接触式转速测量系统及方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004003591A1 (en) * | 2002-06-26 | 2004-01-08 | It-Højskolen | A method of and a system for surveillance of an environment utilising electromagnetic waves |
US20060025229A1 (en) * | 2003-12-19 | 2006-02-02 | Satayan Mahajan | Motion tracking and analysis apparatus and method and system implementations thereof |
US8170081B2 (en) * | 2004-04-02 | 2012-05-01 | Rearden, LLC. | System and method for adjusting DIDO interference cancellation based on signal strength measurements |
JP2009080767A (ja) * | 2007-09-27 | 2009-04-16 | Saxa Inc | 伝播空間監視装置 |
JP5371298B2 (ja) * | 2008-07-04 | 2013-12-18 | 本田技研工業株式会社 | 圧力タンク及び圧力タンクにおける内部欠陥検出方法 |
US8279112B2 (en) * | 2008-11-03 | 2012-10-02 | Trimble Navigation Limited | Methods and apparatuses for RFID tag range determination |
US20120181118A1 (en) * | 2009-09-22 | 2012-07-19 | Jae Boo Choi | Device for displaying floor information of operating elevator using acceleration sensor |
US8450996B2 (en) * | 2010-06-03 | 2013-05-28 | Allegro Microsystems, Llc | Motion sensor, method, and computer-readable storage medium providing a motion sensor with a magnetic field sensing element for generating a magnetic field signal and a state processor to identify a plurality of states corresponding to ranges of values of the magnetic field signal having a reduced amount of state chatter |
JPWO2012137285A1 (ja) * | 2011-04-04 | 2014-07-28 | 三菱電機株式会社 | 在圏検知システム、在圏検知方法及びプログラム |
JP2012225837A (ja) * | 2011-04-21 | 2012-11-15 | Mitsubishi Electric Corp | 動き検出装置、及び動き検出装置を備えたエレベータ |
US9804256B2 (en) | 2012-10-19 | 2017-10-31 | Ucl Business Plc | Apparatus and method for determining the location of a mobile device using multiple wireless access points |
JP6688791B2 (ja) * | 2014-07-17 | 2020-04-28 | オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. | 無線測位システム |
CN105303743B (zh) * | 2015-09-15 | 2017-10-31 | 北京腾客科技有限公司 | 基于WiFi的室内入侵检测方法和装置 |
-
2017
- 2017-04-12 EP EP17783028.8A patent/EP3443300A4/en active Pending
- 2017-04-12 WO PCT/US2017/027131 patent/WO2017180698A1/en active Application Filing
- 2017-04-12 CN CN201780028508.4A patent/CN109073389B/zh active Active
- 2017-04-12 JP JP2018554059A patent/JP6971254B2/ja active Active
-
2021
- 2021-11-01 JP JP2021178960A patent/JP7365593B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2019518202A (ja) | 2019-06-27 |
JP6971254B2 (ja) | 2021-11-24 |
JP7365593B2 (ja) | 2023-10-20 |
JP2022028703A (ja) | 2022-02-16 |
EP3443300A4 (en) | 2019-10-09 |
CN109073389A (zh) | 2018-12-21 |
EP3443300A1 (en) | 2019-02-20 |
WO2017180698A1 (en) | 2017-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109073389B (zh) | 用于物体跟踪的方法、装置、服务器和系统 | |
CN114747257B (zh) | 估计无线通信网络中信号遮蔽障碍物的位置的方法和设备 | |
Savazzi et al. | Device-free radio vision for assisted living: Leveraging wireless channel quality information for human sensing | |
Morelli et al. | Hidden Markov models for radio localization in mixed LOS/NLOS conditions | |
Koohifar et al. | Autonomous tracking of intermittent RF source using a UAV swarm | |
Saeed et al. | Ichnaea: A low-overhead robust WLAN device-free passive localization system | |
Jiang et al. | Communicating is crowdsourcing: Wi-Fi indoor localization with CSI-based speed estimation | |
Zhang et al. | WiBall: A time-reversal focusing ball method for decimeter-accuracy indoor tracking | |
Ghaffarkhah et al. | Channel learning and communication-aware motion planning in mobile networks | |
Choi et al. | Smartphone based indoor path estimation and localization without human intervention | |
Van Herbruggen et al. | Anchor pair selection for error correction in Time Difference of Arrival (TDoA) Ultra Wideband (UWB) positioning systems | |
Barbieri et al. | UWB real-time location systems for smart factory: Augmentation methods and experiments | |
Nayan et al. | Filters for device-free indoor localization system based on rssi measurement | |
Farnham | Indoor localisation of iot devices by dynamic radio environment mapping | |
Savazzi et al. | Radio imaging by cooperative wireless network: Localization algorithms and experiments | |
De Sousa et al. | Mobile station localization emitter in urban NLoS using multipath ray tracing fingerprints and machine learning | |
De Sanctis et al. | Rf-based device-free counting of people waiting in line: A modular approach | |
Tran et al. | Improving infrastructure-based indoor positioning systems with device motion detection | |
Gentner et al. | Simultaneous localization and mapping in multipath environments: mapping and reusing of virtual transmitters | |
Hamie et al. | Is cooperative localization in wireless body area networks accurate enough for motion capture applications? | |
Ibwe et al. | Filtering Effect on RSSI-Based Indoor Localization Methods | |
Ulmschneider et al. | User Tracking with Multipath Assisted Positioning-based Fingerprinting and Deep Learning | |
Mike | A Time-Reversal Indoor Tracking | |
Kianoush et al. | Tracking of frequency selectivity for device-free detection of multiple targets | |
Geyer et al. | Passive Sensing and Localization in an Aircraft Cabin Using a Wireless Communication Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |