[论文解读] SenseFlow: An Experimental Study for Tracking People

Kai Li, Chau Yuen+5 more|arXiv (Cornell University)|Jun 12, 2016

Mobile Crowdsensing and Crowdsourcing参考文献 14被引用 3

一句话总结

SenseFlow 提出了一种轻量级、无源的人员追踪系统，通过智能手机的探测请求来监测现实环境中的人群密度和移动流量。通过利用探测请求的间隔和基于 RSSI 的定位技术，该系统减少了网络开销并提高了追踪精度，在理想条件下（Android 系统，屏幕开启，Wi-Fi 未注册）实现了高达 92.9% 的追踪准确率。

ABSTRACT

The main challenges in large-scale people tracking are the recognition of people density in a specific area and tracking the people flow path. To address these challenges, we present SenseFlow, a lightweight people tracking system. SenseFlow utilises off-the-shelf devices which sniff probe requests periodically polled by user's smartphones in a passive manner. We demonstrate the feasibility of SenseFlow by building a proof-of-concept prototype and undertaking extensive evaluations in real-world settings. We deploy the system in one laboratory to study office hours of researchers, a crowded public area in city to evaluate the scalability and performance "in the wild", and four classrooms in the university to monitor the number of students. We also evaluate SenseFlow with varying walking speeds and different models of smartphones to investigate the people flow tracking performance.

研究动机与目标

• 开发一种基于智能手机无源探测请求嗅探的轻量级、可扩展的人员追踪系统。
• 解决在密集环境中因高流量探测请求传输而导致的网络拥塞问题。
• 通过解决多个网关同时检测到同一设备的探测请求过载问题，提高追踪精度。
• 评估智能手机工作模式（如屏幕开启/关闭、Wi-Fi 注册/未注册）对追踪性能的影响。
• 实现实验室、公共区域和教室等多种真实环境下的人员密度和轨迹流动的实时监控。

提出的方法

• 部署时间同步的无线网关节点（GNs），以无源方式从不同位置的智能手机收集探测请求。
• 实施基于探测请求间隔的数据采集方案（PRI-DCS），仅传输 MAC 地址和时间戳，从而减少网络流量。
• 使用接收信号强度指示（RSSI）来解决探测请求过载问题，通过选择信号最强的网关作为设备的位置。
• 将用户轨迹建模为 GN ID 序列，并应用最长公共子序列（LCS）算法以识别和追踪移动路径。
• 在中央服务器聚合所有 GN 的数据，以计算实时的人员密度和轨迹模式。
• 通过受控实验和真实环境实验，验证系统在不同行走速度、智能手机型号和工作模式下的性能。

实验结果

研究问题

• RQ1 不同智能手机型号和工作模式下的探测请求传输间隔有何差异，这对追踪准确率有何影响？
• RQ2 探测请求过载在多大程度上降低追踪性能，如何通过基于 RSSI 的选择机制加以缓解？
• RQ3 行走速度对使用探测请求检测和追踪个体的影响是什么？
• RQ4 SenseFlow 在真实环境中识别预设移动轨迹的准确率如何？
• RQ5 PRI-DCS 方案在保持追踪保真度的同时，对减少网络开销的性能表现如何？

主要发现

• 在（屏幕开启，Wi-Fi 未注册）模式下，SenseFlow 对 Android 智能手机的追踪准确率最高可达 92.9%，因为此时探测请求发送频率最高。
• 在（屏幕关闭，Wi-Fi 注册）模式下，Android 手机的追踪准确率显著下降至 44.3%，iOS 手机则降至 27.2%，原因是探测请求间隔变长。
• 对于 iOS 和 Windows 手机，（屏幕关闭，Wi-Fi 未注册）模式相比（屏幕开启，Wi-Fi 注册）模式能提高追踪准确率，因为设备会更频繁地扫描网络。
• 在（屏幕开启，Wi-Fi 未注册）模式下，成功轨迹识别率达到 100%；而在（屏幕开启，Wi-Fi 注册）模式下降至 60%，在（屏幕关闭，Wi-Fi 注册）模式下仅 20%。
• 系统通过使用 RSSI 选择最可能的网关，有效缓解了探测请求过载问题，从而提高了定位精度。
• PRI-DCS 方案通过仅传输关键数据（MAC 地址和时间戳），显著减少了网络流量，支持在大规模环境中可扩展部署。