前言：
这里面主要参考清华大学的杨峥教授，做一下无线感知的总结.
基本思想：
无线信号不仅可以传输数据,还可以感知环境信号发射机产生的无线电波
经由直射,反射,散射等多条路径传播,在信号接收机形成的多径叠加信号
携带反映环境特征的信息. 它通过分析接收信号特征,获得信号传播空间的特性，
实现环境（人+环境）感知
无线感知里面有很多研究方向：
目前主流的研究方向
1： 结合机器学习,深度学习 进行信号行为匹配
2： 结合无线物理层底层的原理对无线信号进行处理，收发设备建模.例如 Fresenel ,CSI商
3： 结合无线感知重新对传统的无线资源调度进行定义，比如传统的SNR, 对应SSNR
主要问题：
1：跨场景感知,泛化性问题
2： 多目标跟踪
目录：
- 商业应用
- 研究主要问题
- 特征
- 算法
- 数据集
- 发展方向
- OFDM
一 商业应用
人员入侵检测，医疗睡眠监测，手势控制，游戏，基站容量智慧调整
相关论文例子
二 研究主要问题
2.1 三重三轻问题：
1 重应用，轻视理论
无线感知里面应用研究方向比较多： 跌到,手势,呼吸,双眼皮跳动,口语 应用层出不穷.
探索无线感知的各种应用场景.
但是感知的极限分辨率到底和哪些因素有关系,只有了解这些理论才能才能对支撑更加细粒度的应用。理论基础一 Fresnel 模型
2 重准确率,轻可靠性,
泛化性问题.
在实验室环境中很好。 但是跨场景，在不同的应用模式下面,是实际应用中
效果更差. 这就是可靠性问题.原因还是对无线信号和人的活动行为映射原理,如何映射
没有深入理解.
3 重高级学习算法，轻基础数据集
随着机器学习,深度学习的发展，很多深度学习的模型应用于无线感知,效果较好。
但是无线感知的数据集非常少，无线感知领域的数据集不容易收集,构建,标注.
2.2 主要挑战
三 特征
3.1 RSSI
CSI stands for Channel Status Information. As the name implies, it is a kind of indicator how good or bad the channel is at a specific time. The CSI has three major components as below. Not all of these indicator is measured for every CSI report. Depending on the situation and configuration from network, UE perform different combination of measurement.
CQI (Channel Quality Indicator)
PMI (Precoding Matrix Index)
RI (Rank Indicator)
2011 年前该领域主要用RSSI信号来做无线感知,但是RSSI 信号是多径信号叠加的结果,只有幅度信息,频率信息丢失了：
RSSI 问题：信号特征太少，是多径信号叠加的信号
2.2 CSI（channel state info）
2011 华盛顿大学,微软,MIT,英特尔首先提出了使用CSI信号做无线感知 。
CSI 信号是物理层的信号，包含更丰富的信息特征.
CSI stands for Channel Status Information. As the name implies, it is a kind of indicator how good or bad the channel is at a specific time. The CSI has three major components as below. Not all of these indicator is measured for every CSI report. Depending on the situation and configuration from network, UE perform different combination of measurement.
CQI (Channel Quality Indicator)
PMI (Precoding Matrix Index)
RI (Rank Indicator)
采样版本的信道响应
早期用的都是CSI 的幅度信息来做感知,因为相位中存在随机偏差 .做不了感知
期间也出现过共轭天线相乘
2.3 CSI 和 RSSI 区别
2.4 TOF（信号的时间）
在无线感知的时候，早期也会联合使用TOF ,AOA ,DFS 技术来做感知
在做无线感知的时候，也会结合TOF 特征来感知
TOF 通过分别测量移动终端与三个或更多基站之间信号的传播时间来定位，它采用了圆周定位
AOA
AOA 定位一般是基于相位差的方式计算出到达角度，一般不单独使用，由于 AOA 涉及到角度分辨率的问题，若单纯 AoA 定位， 若离基站越远，定位精度就越差。
使用多天线接收设备，来实现局部位移测量，主动式
Doppler 频偏定位（物体运动速度）
问题：
上述都跟环境有关系，环境依赖。 收发设备的距离，感知对象的位置。
对手势识别影响很大,希望提取出一个环境无关的特征.
2.5 环境无依赖特征(CSI, DFS, BVP)
无线感知一个重要的研究方向是提取出环境无依赖的信号特征，目前主要有四个方向：
1： CSI 商
2： BVP
3: Fresnel 模型，通过两套Rx设备构建正交的椭圆焦点线
4 深度学习里面的迁移学习，GAN,Diffusion
CSI ,DFS,同一个动作不同场景相差很大，BVP 不同场景信号特征类似
四 模型算法
在做模式识别的时候早期用了很多机器学习，SVM,决策树，KNN,HMM
随着计算机深度学习CNN 的成功，也有很多人用其来做模式识别。
但是CSI有了多普勒频偏特征，其相对视觉来做效果更好.
把CSI 转换为频谱图，然后后面结合CNN,LSTM,等模型去做，
但是会丢失掉无线信号的特征，比如多普勒频偏
比如早期的模型
考虑到频谱特征 的模型 STFNet
在本文中，我们没有使用传统的构建块（例如卷积层和循环层），而是使用
提出了一种新的基础神经网络构建块，即短时傅立叶神经网络（STFNet）。它集成了广泛使用的
时频分析方法，短时傅里叶变换，进入数据处理，直接在频域中学习特征，其中潜在现象的物理留下了更好的足迹。 STFNet 为时频分析带来额外的灵活性通过提供光谱兼容的新颖的非线性可学习运算。此外，STFNet 表明将信号转换为与底层物理联系更加紧密的领域
简化学习过程。我们展示了有效性STFNets 在广泛的传感领域进行了大量的实验
输入，包括运动传感器、WiFi、超声波和可见光。STFNet 的性能显着优于最先进的深度学习
所有实验中的模型。因此，STFNet 展示了作为深度神经网络基本构建模块的卓越能力
用于各种传感器输入的物联网应用网络Learning Sensing Signals with Short-Time Fourier Neural Network
Figure 2: Data Flow within a block of STFNet
模型例子
利用GAN 的思想来提取Domain无关的特征
五 数据集
多伦多和斯坦福手势识别，华盛顿大学手语识别， 清华大学人员位置定位
六 发展方向
无线感知是通信感知一体化重要的方向
WIFI 802.11 bf 做WIFI 的无线感知,未来的WIFI 设备里面标配.提供了感知,定位功能.
1 有效去除跨协议，跨网络，跨设备的射频干扰，提升感知鲁棒性，应对未来更加复杂的电磁环境.
2 提取并融合环境无依赖的信号特征，从方法上保证了感知效果不依赖于
特定环境和人员，普适性强，学习训练成本低
3 在无线信号空间建立人员行为的时空模型，实现定位精度达到分米级，提高
人员发现精确率与活动之别准确率
4 实现毫米波相控阵列的波束扫描，突破传统Wi-Fi全向感知的局限，
实现多目标，高鲁棒性的场景感知
七 OFDM
要深入的了解CSI 信号，必须对OFDM 技术有一定的理解.
同时利用多个不同频率的载波传送及接收信号。OFDM即利用数个（2的次方）正交的子载波传送信号。OFDM便是多载波调制的特例，其使用数个正交载波调制信号，在每个子载波间不需要有保护间隔，大大的增加了带宽使用效率，且使OFDM更有位分配的概念，即通道环境好的子载波就加大该载波的power或提高调制等级（ex:BPSK->QAM），位分配使得OFDM带宽使用效率更加高
