面向WiFi-Sensing的文献总结
Survey on WiFi-Sensing Generalization
General概述
使用WiFi作为感知的媒介有广大的应用场景，以及较大的研究价值。但是由于WiFi对于环境过于敏感，导致感知系统跨环境的表现性能极差，大规模的部署极其困难，为此，大量研究人员提出了多种方法提高环境泛化能力，这些方法可以分为下面四类：
- 设备的放置和布局；
- 信号的处理；
- CSI的特征学习；
- Sensing模型的部署迁移；
下面我们从第一个方法开始，即实验场景、设备的配置和布局。
Experimental Setup实验配置
天线的分布
WiNDR和WiCross研究天线的布局对感知的影响，提出使用一个三发三收、交叉分布在圆上的天线分布可以实现不受方向影响的姿态识别：
同理，WiSDAR还测试了多种不同的分布形状如线、六边形、方形或者随机形状，对人类行为有不同的感知效果；
设备的分布
ReWiS、Widar 3.0、OneFi等研究使用多个收发设备，提高感知系统的感知范围以及环境泛化能力，这些多设备系统在人类行为中的旋转和位置变化有优异的表现。
其中，WiTraj通过3个接收机从不同的角度捕获人类行走的行为，并最终实现对行走轨迹的复现。通过一定的理论研究，得出感知系统的感知范围与收发机的放置间距相关，从而可以更合理的进行场景的搭建，减弱环境的干扰。
Signal Processing数据处理
信号分析算法
通过特殊的信号分析算法，从原始的信号CSI中提取出与环境无关的特征，获得更好的跨环境泛化表现能力：
- WiHand通过部署低秩稀疏分解算法（Low Rank and Sparse Decomposition algorithm）将不同姿态对应的信号从环境噪声中提取分离；
- CLAR使用奇异谱分析（Singular Spectrum Analysis）从WiFi信号中分析变化趋势，对行为的识别效果更好；
- Gait-Enhance通过CSI重构算法，消除由于行为的方向性导致同类行为却有不同CSI模式的误差；
- Abuhoureyah通过使用独立分量分析（Independent Component Analysis）和连续小波变换（Continuous Wavelet Transform）实现多目标分离、识别在一个复杂的环境中。
Advanced Handcrafted Indicators特殊的特征指标
用于提取与空间域无关的更鲁棒性的特征；
- WiHGR通过相位差矩阵提取出与相位相关的特征；
- PhaseAnti使用非线性相位误差变化，与同频道干扰无关，从而减轻干扰，提高识别的准确性；
除此外还有从IQ复平面中提取特征的；
- Wang通过信号在IQ平面的曲率作为分析的特征；
- WiGesFree引入了Sample Point Distance，通过CSI在复平面的比值关系判断姿态；
- LiKey通过CSI在复平面的旋转方向特征提取与位置无关的特征；
还有采样类似图像识别的方式，通过AI的手段进行特征处理；
- 将CSI Stream的幅度信息（一维）转换称为CSI灰度图（二维），再通过微调、预训练的模型如VGG16提取特征；
- 将一维的CSI转换成二维的递归图，通过数据增强的手段如裁剪、旋转、翻转等提高模型表现以及鲁棒性；
Motion Indicator行为指标
通过研究某些行为中与环境无关的指标实现提高环境鲁棒性，跨环境识别性能，如速度、方向、轨迹等与环境无关的指标，提高感知系统的跨环境表现；
- OneSense以及Wilearner等通过研究由于行为导致的多普勒频移（Doppler Frequency Shift）实现感知；
- Mini-Batch Alignment研究DFS和角度差矩阵；
- WiLife通过研究多普勒速度进行感知；
- WiTraj则通过结合多普勒-MUSIC的谱，使用多个接收器复现定位，最终复原轨迹；
Angle Indicators角度指标
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Katarina's diary！
相关推荐
2025-09-18
Adapose——跨环境的人体关键点识别
AdaPose —— Yunjiao Zhou文献综述《AdaPose: Towards Cross-Site Device-Free Human Pose Estimation with Commodity WiFi》独特的创新思想： 不同域之间的差异如何泛化或者说对齐？ 本篇论文不按照传统方式在特征空间分布上进行对齐，而是**提出从”映射规则”**上进行统一！ 文章将整个模型分为三层：输入域中采集的CSI、中间层的特征空间、输出估计关键点的坐标，其中的映射规则包括将CSI信息映射成一个特征、将CSI信息映射成姿态关键点的坐标。 本文认可不同的域（源域、目标域）是存在本质差别的，文中通过 $D_{input}$、$D_{feature}$ 以及 $D_{output}$ 分别表示不同域最原始的差异（数据）、特征提取后的分布差异（缩放）、姿态估计的分布差异，且这些差异是必然存在的。 传统方式：特征空间分布对齐，是通过调整 $D_{feature}$，将不同域采集的具有 $D_{input}$ 差异的CSI映射到相同的特征空间分布上 $D_{feature} = 0$； ...
2025-09-20
Unsupervised adversarial domain adaptation——对抗生成跨域泛化
Unsupervised Adversarial Domain Adaptation —— Han Zou文献综述《Robust WiFi-enabled Device-free Gesture Recognition via Unsupervised Adversarial Domain Adaptation》研究目的 (Research Objective) 本研究旨在解决现有WiFi手势识别系统在实际部署中的核心痛点：环境动态性导致的模型失效问题。当系统部署到新环境（如从会议室移到办公室）时，无需重新收集标注数据和训练新模型，即可保持高识别准确率。 本文的创新点： 数据创新：利用CSI相位差作为输入 摒弃了传统方法中易受噪声影响的CSI幅度，转而使用接收端天线对之间的CSI相位差来构建数据帧。 相位差能有效消除由硬件（如载波频率偏移CFO、采样频率偏移SFO）引入的固定相位偏移，从而提取出更能反映人体动作的”干净”信号，对微小手势更敏感。 多场景下的如何实现模型泛化： 已知一个正常运行的模型分为三层，CSI原始数据、特征提取和分类器输出姿态。本文认为不同域下相同的姿...
2025-09-19
MultiFormer——基于迭代的高准确率姿态估计
MultiFormer —— Wenhui Xiong研究目的：将在一个场景训练的姿势识别模型扩展到不同的场景中； 可能的方法（建模上）： 将不同的场景抽象为一个样本，多个场景训练（小样本学习）； 将时间、频率、空间特征抽象为张量，添加场景布局的影响； 根据协议提出的标准室内WiFi建模，抽象为token AI学习算法提高训练的模型对未知环境的适应能力，增强泛化能力 Keypoints: Cross-Scene Adaptive environment dynamic environment robustness Ada boost Meta-Learning Data Augmentation for Generalization 对于当前研究的问题： 初始数据检索与清理：CSI是否会影响估计，环境中的信道很多，直射信道是否会影响反射或散射信道？仅考虑了CSI幅值用于姿态估计，忽略相位导致识别效果下降？ 将CSI提取出feature，通过PAPM得到PAM和PCM，但是都是2维空间域中的识别，忽略了深度，如果多目标的姿态有重叠，是否影响估计的效果？ 使用图像信息作...
2025-09-19
Densepose——基于UV坐标的高精度姿态估计
DensePose From WIFI —— Jiaqi Gen文献综述：《DensePose From WiFi》目的：论文旨在解决传统人体姿态估计方法面临的三大核心问题： 环境限制：RGB 相机在光照不佳或存在遮挡时性能会急剧下降； 成本与功耗：LiDAR 和雷达等传感器价格昂贵且功耗高，难以在家庭等日常场景普及； 隐私问题：在浴室、卧室等私密空间部署摄像头会引发严重的隐私担忧。论文的最终目的是开发一种低成本、易于部署、保护隐私且对光照和遮挡鲁棒的新型人体感知技术，为智能家居、健康监护等应用铺平道路。 遇到的困难： CSI是一维数据，与空间域的信息没有相关性，不像图片，每一个像素点都是是空间域的一个映射； 前人没有相关研究，都是基于TOF、AOA的中心定位； 研究方法：大致流程如下：首先采集信号的CSI，对CSI的幅值和相位进行预处理，包括采样、插值以及数据矫正。之后通过一个双支编码器，将幅值和相位vector编码为2D的feature maps，对应图像姿态识别中的原始图像（这里做了一个域转换：从WIFI信号域 → Feature Maps特征域； 1D...
2025-05-29
SVM——Python代码实现以及解析
支持向量机(SVM)原理详解与代码解析一、SVM算法原理详解1. 核心思想支持向量机通过最大化分类间隔实现最优分类，其数学本质是求解一个凸二次优化问题。核心思想包括： 最大间隔原则：寻找使类别间距离最大的分类超平面 支持向量：决定分类边界的关键样本点 核技巧：通过核函数将低维不可分数据映射到高维空间 2. 数学基础(1) 线性可分情况$$\min_{w,b} \frac{1}{2}||w||^2 \quad \text{s.t.} \quad y_i(w^T x_i + b) \geq 1$$ $ w $：超平面法向量 $ b $：偏置项 $ y_i \in {-1,1} $：类别标签 (2) 非线性情况（使用核函数）$$K(x_i,x_j) = \phi(x_i)^T\phi(x_j)$$ 常用核函数： 线性核：$ K(x,y) = x^Ty $ 多项式核：$ K(x,y) = (x^Ty + c)^d $ RBF核：$ K(x,y) = e^{-\gamma ||x-y||^2} $ (3) 正则化参数C$$\min_{w,...
2025-05-29
Fisher——Fisher投影分类
Fisher投影加速分类线性判别分析（LDA）详解：从理论到代码实现一、引言线性判别分析（Linear Discriminant Analysis, LDA）是一种经典的监督学习降维与分类方法。其核心思想是通过最大化类间散度、最小化类内散度，将高维数据投影到低维空间并实现高效分类。本文以鸢尾花数据集为例，详解LDA的数学原理，并逐行解析代码实现。 二、LDA的核心原理1. 核心目标LDA的目标是找到一个最优投影方向 $ W $，使得以下准则成立： 类内散度最小：同一类样本在投影后的空间尽可能紧凑。 类间散度最大：不同类样本在投影后的空间尽可能分离。 数学表达式为： $$J(W) = \frac{W^T S_B W}{W^T S_W W}$$ 其中： $ S_W $：类内散度矩阵（Within-class Scatter Matrix） $ S_B $：类间散度矩阵（Between-class Scatter Matrix） 2. 数学推导(1) 类均值向量对每个类别 $ c $，计算其特征均值向量 $ \mu_c $： $$\mu_c = \frac{...
