[论文解读] A new PIR-based method for real-time tracking

Tianye Yang, Xuefeng Liu+3 more|arXiv (Cornell University)|Jan 30, 2019

Indoor and Outdoor Localization Technologies参考文献 18被引用 4

一句话总结

本文提出了一种基于PIR的新型无设备定位方法，利用原始PIR传感器数据提取方位角变化——一种源自传感器方向响应的物理层特征——从而在无需大量训练数据或密集传感器部署的情况下，实现高精度实时跟踪。该方法仅使用四个PIR传感器，即可将准确率提升至现有最先进方法的50%以上。

ABSTRACT

Pyroelectric infrared (PIR) sensors are considered to be promising devices for device-free localization due to its advantages of low cost, less intrusive, and the immunity from multi-path fading. However, most of the existing PIR-based localization systems only utilize the binary information of PIR sensors and therefore require a large number of PIR sensors and a careful deployment. A few works directly map the raw data of PIR sensors to one's location using machine learning approaches. However, these approaches require to collect abundant training data and suffer from environmental change. In this paper, we propose a PIR-based device-free localization approach based on the raw data of PIR sensors. The key of this approach is to extract a new type of location information called as the azimuth change. The extraction of the azimuth change relies on the physical properties of PIR sensors. Therefore, no abundant training data are needed and the system is robust to environmental change. Through experiments, we demonstrated that a device-free localization system incorporating the information of azimuth change outperforms the state-of-the-art approaches in terms of higher location accuracy. In addition, the information of the azimuth change can be easily integrated with other PIR-based localization systems to improve their localization accuracy.

研究动机与目标

• 解决基于二值PIR的定位系统存在的局限性，这些系统需要密集的传感器部署且粒度较低。
• 降低数据驱动型PIR定位方法对大规模训练数据的依赖。
• 通过利用PIR传感器的物理特性而非学习到的模式，提高对环境变化的鲁棒性。
• 引入一种新的位置特征——方位角变化——源自原始PIR输出，以提升定位精度。
• 通过最少数量的PIR传感器实现实用、低成本、保护隐私的实时跟踪。

提出的方法

• 通过分析多个PIR传感器输出在时间上的变化，从原始PIR电压信号中提取方位角变化。
• 建立PIR传感器和菲涅尔透镜阵列的物理行为模型，以估计移动人体红外辐射的到达角（AoA）变化。
• 方位角变化计算为：在两个连续位置上，相对于每个PIR传感器，人体方向估计值的绝对差值。
• 使用粒子滤波器对时间序列中的方位角变化估计值进行融合，以实现鲁棒的轨迹估计。
• 采用基于余弦公式的几何模型，将方位角变化与人体和PIR传感器之间的物理距离关联起来。
• 该方法避免使用黑箱学习，而是依赖物理建模而非数据驱动的训练。

实验结果

研究问题

• RQ1 是否可以利用原始PIR传感器数据提取一种物理层特征——方位角变化——以在不依赖训练数据的情况下提升定位精度？
• RQ2 所提出的方位角变化估计方法在准确性和对环境变化的鲁棒性方面，与现有数据驱动方法相比表现如何？
• RQ3 在仅使用最少数量的PIR传感器（例如四个）的情况下，方位角变化能在多大程度上实现高精度定位？
• RQ4 方位角变化本身或与二值信号结合是否能提升实时跟踪性能？
• RQ5 在存在静态或移动热源等不同环境条件下，系统性能如何？

主要发现

• 在两个实验场景中，所提系统的准确率分别达到0.54和0.78，相比最先进方法提升了约50%。
• 尽管仅使用四个PIR传感器（而非八个），该系统仍优于[PIR传感器特性分析与新型定位技术]中提出的数据驱动方法。
• 系统无需标注的训练数据，因此对环境变化具有强鲁棒性，且可轻松部署于新环境。
• 当人体与PIR传感器距离适中时，方位角变化估计最为准确；在极近距离时，准确率下降。
• 该方法在集成至现有PIR基系统以提升其定位精度方面展现出强大潜力。
• 系统对环境噪声较为敏感，特别是来自静态或移动热源的干扰，提示未来工作需引入动态阈值机制。