[论文解读] mD-Track: Leveraging Multi-Dimensionality in Passive Indoor Wi-Fi Tracking

Yaxiong Xie, Jie Xiong+2 more|arXiv (Cornell University)|Dec 7, 2018

Indoor and Outdoor Localization Technologies参考文献 49被引用 54

一句话总结

mD-Track 将多维 Wi-Fi 信号参数（AoA, AoD, ToF, 多普勒等）与迭代、低复杂度估计器结合，利用单一发射与接收对实现高精度的被动室内跟踪。

ABSTRACT

Wi-Fi localization and tracking face accuracy limitations dictated by antenna count (for angle-of-arrival methods) and frequency bandwidth (for time-of-arrival methods). This paper presents mD-Track a device-free Wi-Fi tracking system capable of jointly fusing information from as many dimensions as possible to overcome the resolution limit of each individual dimension. Through a novel path separation algorithm, mD-Track can resolve multipath at a much finer-grained resolution, isolating signals reflected off targets of interest. mD-Track can localize human passively at a high accuracy with just a single Wi-Fi transceiver pair. mD-Track also introduces novel methods to greatly streamline its estimation algorithms, achieving real-time operation. We implement mD-Track on both WARP and cheap off-the-shelf commodity Wi-Fi hardware and evaluate its performance in different indoor environments.

研究动机与目标

• 通过利用多信号维度来提升定位精度，而不是增加天线或带宽。
• 开发一个多维信号估计器，将 AoA、AoD、ToF 和 Doppler（或 AoD–AoD）合并为一个单一指标。
• 引入一个迭代路径参数精化过程，以分离并重建弱多径信号。
• 通过在 EM 框架内使用坐标下降来降低计算复杂度，确保实时运行。
• 在 WARP 和商业 Wi-Fi 硬件上演示实现，并在室内环境中评估。

提出的方法

• 提出一个四维估计器，联合估计每条路径的 AoA、AoD、ToF 和 Doppler（或 gamma）。
• 使用多步信道估计，处理 HT-LTF/LTF 以获得用于参数提取的信道矩阵。
• 应用一种迭代的后续干扰消除（SIC）灵感的精化方法，在多轮中分离并细化路径参数。
• 通过坐标下降结合 EM 方法实现线性时间估计器，以实现实时运行。
• 采用按顺序处理的顺序（先 AoA、再 AoD、再 Doppler、再 ToF）以保持参数可分离性。
• 通过使用 SIC 估计 L 条路径并提供基于 GEM 的收敛保证，将其扩展到多路径。

实验结果

研究问题

• RQ1 多维参数融合是否能够超越单个维度（AoA、ToF 等）所限，提升路径分辨能力？
• RQ2 在室内被动跟踪中，需要多少信号维度才能达到给定的定位精度？
• RQ3 在标准 Wi-Fi 硬件上实现实时多路径参数估计的计算可行算法是什么？
• RQ4 迭代路径精化在多径环境中如何影响估计精度和收敛？
• RQ5 与像 SpotFi 这样的最先进系统相比，在利用额外维度（如 Doppler）时，定位精度的增益是多少？

主要发现

• mD-Track 在参数估计和被动定位方面比 SpotFi 提升了 3.5× 的精度。
• 将 Doppler 作为第三个维度大约比使用较少维度时提升约 3× 的精度。
• 在商用 Wi-Fi 硬件的三根天线上，mD-Track 能分辨超过 10 个信号并准确估计每条路径的参数。
• 四维估计器通过在多条路径上联合利用 AoA、AoD、ToF 和 Doppler 来提升分辨率。
• 坐标下降加上基于 EM 的方法使计算复杂度降至接近线性时间，从而实现实时运行。
• 实证结果显示，在大多数情况下路径分离有效且迭代精化在不到 9 轮内收敛。