[论文解读] SimHumalator: An Open Source WiFi Based Passive Radar Human Simulator For Activity Recognition

Shelly Vishwakarma, Wenda Li+4 more|arXiv (Cornell University)|Mar 2, 2021

Advanced SAR Imaging Techniques参考文献 36被引用 11

一句话总结

本文提出 SimHumalator，一个基于 MATLAB 的开源仿真器，通过整合符合 IEEE 802.11g 标准的信号模型与基于标记的人体运动捕捉数据，生成合成的 WiFi 被动雷达微多普勒特征。该仿真器可实现高保真度的人体活动识别场景模拟，在模拟数据上使用深度学习模型的分类准确率≥95%，在真实测量数据上达到≈90%，展现出在实际被动雷达应用中的强大潜力。

ABSTRACT

This work presents a simulation framework to generate human micro-Dopplers in WiFi based passive radar scenarios, wherein we simulate IEEE 802.11g complaint WiFi transmissions using MATLAB's WLAN toolbox and human animation models derived from a marker-based motion capture system. We integrate WiFi transmission signals with the human animation data to generate the micro-Doppler features that incorporate the diversity of human motion characteristics, and the sensor parameters. In this paper, we consider five human activities. We uniformly benchmark the classification performance of multiple machine learning and deep learning models against a common dataset. Further, we validate the classification performance using the real radar data captured simultaneously with the motion capture system. We present experimental results using simulations and measurements demonstrating good classification accuracy of $\geq$ 95\% and $\approx$ 90\%, respectively.

研究动机与目标

• 为被动 WiFi 感测中的人体活动识别解决大规模、多样化且公开可用的雷达数据集稀缺的问题。
• 开发一种仿真框架，真实模拟在不同雷达配置和环境条件下人体运动产生的微多普勒特征。
• 在源自仿真与真实测量的统一数据集上对机器学习与深度学习模型进行基准测试。
• 验证深度学习模型在真实世界失真（如噪声、多径和遮挡）下的鲁棒性。
• 发布一个开源工具，以减少被动雷达感测研究中数据采集的工作量与成本。

提出的方法

• 仿真器使用 MATLAB 的 WLAN 工具箱生成可配置参数（如载波频率、带宽和调制方式）的 IEEE 802.11g 兼容 WiFi 信号。
• 人体运动轨迹源自基于标记的运动捕捉系统（PhaseSpace），对 17 个体点在三维空间中的时间序列进行追踪。
• 仿真器通过建模运动部件引起的多普勒频移，结合电磁散射原理，计算随时间变化的雷达回波。
• 支持多种雷达配置：单基地、共线双基地与环形双基地，可调节相干处理间隔（CPI）与脉冲重复间隔（PRI）。
• 从仿真基带信号生成微多普勒 spectrogram，作为分类模型的输入数据。
• 该框架支持系统性地改变目标运动（如行走、站立、跳跃）、传感器参数与信号处理设置，以生成多样化数据集。

实验结果

研究问题

• RQ1 仿真框架能否准确再现被动 WiFi 雷达场景中人体运动的微多普勒特征？
• RQ2 不同机器学习与深度学习模型在统一的仿真与真实被动雷达数据集上的表现如何？
• RQ3 与深度神经网络相比，环境因素（如噪声与多径）对传统基于特征的方法性能的退化程度如何？
• RQ4 仿真数据能否实现与真实测量相当的分类准确率，从而验证仿真器的真实性？
• RQ5 在真实被动雷达条件下，深度学习模型的性能如何随信噪比（SNR）变化？

主要发现

• SimHumalator 仿真器在多个深度学习模型上对模拟微多普勒 spectrogram 的平均分类准确率≥95%。
• 在与运动捕捉同步采集的真实测量数据上，表现最佳的模型（ResNet）实现了平均 92.6% 的分类准确率。
• 依赖手工挑选或稀疏特征的传统机器学习方法在真实数据上的平均准确率仅为 66.6%，表明其对环境噪声与多径的鲁棒性较差。
• 深度神经网络，特别是 ResNet，对真实世界失真（如噪声与多径）表现出更优的鲁棒性，优于传统基于特征的方法。
• 仿真与真实数据之间的性能差距相对较小（真实数据≈90% vs. 仿真数据≥95%），验证了仿真器的保真度。
• 研究结果证实，在复杂条件下，深度学习相比传统方法更适用于基于被动 WiFi 的人体活动识别。