基于信道状态信息的无源感知：从相位校正到亚毫米级人体姿态重建

TL;DR：基于信道状态信息（CSI）的无源感知技术通过相位校正和深度学习模型，在Wi-Fi信号之上实现了亚毫米级的人体姿态重建。本文深入解析了相位误差来源、校正算法及姿态重建架构，对比了传统方法与AI驱动方案，并预测了其在智能家居和医疗监护领域的产业化趋势。

1. 技术背景：从RSSI到CSI的感知革命

传统Wi-Fi定位依赖接收信号强度指示（RSSI），但其对环境多径效应的敏感性导致精度仅达米级。相比之下，信道状态信息（CSI）提供了正交频分复用（OFDM）子载波级的幅度和相位数据，使无源感知分辨率跃升至厘米级甚至亚毫米级。根据TI无线连接技术白皮书（TI.com），现代Wi-Fi芯片（如CC33xx系列）已原生支持CSI采集，降低了硬件门槛。

无源感知的核心挑战在于：人体作为“散射体”会调制Wi-Fi信号传播路径，CSI的相位变化隐含了运动轨迹信息。然而，原始CSI相位受硬件时钟偏移、载波频率偏移（CFO）和采样频率偏移（SFO）污染，必须经过校正才能用于精细姿态重建。

2. 核心实现细节：从相位校正到空间映射

2.1 相位误差建模与校正

接收端测量的CSI相位 \(\phi_{meas}(k)\) 可表示为：

\(\phi_{meas}(k) = \phi_{true}(k) + 2\pi \cdot \frac{k}{N} \cdot \tau + \beta + n_k\)

其中：

• \(\phi_{true}(k)\)：真实相位，包含人体散射信息
• \(\tau\)：时钟同步误差导致的线性相位偏移
• \(\beta\)：固定相位偏移（由PLL初始相位决定）
• \(n_k\)：子载波k上的噪声

校正步骤分为三步：

1. 线性相位去除：利用最小二乘拟合所有子载波的相位斜率，去除由\(\tau\)引起的线性项。
2. 相位解缠绕：对校正后的相位进行空间解缠绕，消除\(2\pi\)跳变。
3. 参考子载波归一化：选定一个静态环境下的子载波作为参考，减去其相位偏移\(\beta\)。

伪代码实现：

def correct_phase(csi_matrix):
    # csi_matrix: shape = [N_subcarriers, N_packets]
    phase_raw = np.angle(csi_matrix)
    # 步骤1: 线性相位拟合
    k = np.arange(N_subcarriers)
    slope = [np.polyfit(k, phase_raw[:, i], 1)[0] for i in range(N_packets)]
    phase_linear_corrected = phase_raw - np.outer(k, slope)
    # 步骤2: 解缠绕
    phase_unwrapped = np.unwrap(phase_linear_corrected, axis=0)
    # 步骤3: 参考归一化（取首个子载波）
    phase_ref = phase_unwrapped[0, :]
    return phase_unwrapped - phase_ref

2.2 从相位到空间特征：CSI速度与角度估计

校正后的相位随时间变化率反映了多普勒频移，从而推导出人体部位的径向速度。通过多天线阵列，可利用MUSIC或ESPRIT算法估计到达角（AoA）。具体而言：

• 多普勒谱：对连续时间序列的相位做短时傅里叶变换（STFT），提取频率分量对应速度。
• 角度估计：构建天线阵列的协方差矩阵，通过子空间方法分离入射路径。

在Silicon Labs的蓝牙LE文档（Silicon Labs）中，类似角度估计技术被用于AoA/AoD定位，但Wi-Fi CSI的带宽更大（80MHz或160MHz），能提供更精细的距离分辨率（约1.875 cm/子载波）。

2.3 亚毫米级姿态重建：深度学习架构

传统方法通过几何模型（如骨架）将CSI特征映射到人体关节坐标，但误差通常在厘米级。近年来的突破来自端到端神经网络：

• 输入：多天线、多子载波、多时间戳的CSI张量（形状：[天线数，子载波数，时间窗]）
• 网络结构：3D卷积 + Transformer编码器，用于捕获时空相关性
• 输出：17个关键点的3D坐标（如COCO标准），精度可达亚毫米（<1mm）

训练数据生成是关键难点——需要同步的CSI和光学动捕数据。一种有效方法是利用射线追踪模拟器（如Wireless InSite）合成大量CSI样本，再通过微调适配真实环境。

3. 性能数据对比

下表对比了不同CSI无源感知方案的定位精度和适用场景：

数据表明，结合深度学习的CSI方案在精度上实现了量级突破，但代价是计算复杂度和环境适应性（需重新训练）。

4. 未来趋势：边缘计算与多模态融合

当前瓶颈在于实时性：亚毫米级重建需要处理大量CSI帧（如1000帧/秒），且神经网络推理延迟高。未来方向包括：

• 轻量化模型：利用知识蒸馏或量化，将模型部署到TI CC3235等边缘MCU上。
• 多模态融合：将Wi-Fi CSI与毫米波雷达或摄像头数据结合，提升遮挡鲁棒性。
• 联邦学习：用户设备在本地微调模型，避免隐私数据上传云端。
• 标准化：IEEE 802.11bf（Wi-Fi Sensing）正在制定CSI采集的规范，预计2025年后商用量产。

5. 常见问题（FAQ）