[论文解读] Veni Vidi Dixi: Reliable Wireless Communication with Depth Images

Serkut Ayvaşık, H. Murat Gürsu+1 more|arXiv (Cornell University)|Dec 4, 2019

Indoor and Outdoor Localization Technologies参考文献 16被引用 9

一句话总结

本文提出了一种名为 Vendi Vidi Dixi（VVD）的新型无导频无线信道估计算法，该算法利用监控摄像头获取的深度图像与卷积神经网络（CNN）预测复杂数信道系数，无需导频信号。通过利用深度数据中的环境几何信息，VVD 在存在移动障碍物的动态室内环境中实现了可靠的通信，性能优于传统的导频式与时间序列方法，同时消除了导频开销与接收机复杂度。

ABSTRACT

The upcoming industrial revolution requires deployment of critical wireless sensor networks for automation and monitoring purposes. However, the reliability of the wireless communication is rendered unpredictable by mobile elements in the communication environment such as humans or mobile robots which lead to dynamically changing radio environments. Changes in the wireless channel can be monitored with frequent pilot transmission. However, that would stress the battery life of sensors. In this work a new wireless channel estimation technique, Veni Vidi Dixi, VVD, is proposed. VVD leverages the redundant information in depth images obtained from the surveillance cameras in the communication environment and utilizes Convolutional Neural Networks CNNs to map the depth images of the communication environment to complex wireless channel estimations. VVD increases the wireless communication reliability without the need for frequent pilot transmission and with no additional complexity on the receiver. The proposed method is tested by conducting measurements in an indoor environment with a single mobile human. Up to authors best knowledge our work is the first to obtain complex wireless channel estimation from only depth images without any pilot transmission. The collected wireless trace, depth images and codes are publicly available.

研究动机与目标

• 解决由于人员和机器人等移动障碍物导致的动态工业环境中无线通信不可靠的问题。
• 消除频繁导频传输的需求，以避免传感器电池耗尽，并提升密集传感器网络中的可扩展性。
• 通过机器学习从深度图像预测复杂数信道系数，实现可靠且低开销的无线通信。
• 为工业自动化提供一种可扩展、实时的解决方案，使信道估计算法能够快速适应环境变化。

提出的方法

• VVD利用同步的监控摄像头深度图像推断无线信道状态，替代传统的导频信号。
• 训练卷积神经网络（CNN）将深度图像特征映射到复数信道冲激响应（CIR）系数。
• 该方法利用深度图像中的空间与几何信息，建模多径分量（MPCs）及其幅度/相位变化。
• CNN在公开可用的同步无线信道轨迹与深度图像数据集上进行训练，数据采集自室内环境。
• 该方法通过学习环境几何到无线信道状态的映射关系，避免了显式的信道探测。
• 该方法实现了无导频的信道盲估计，接收端无需额外信令或复杂度。

实验结果

研究问题

• RQ1 能否仅利用监控摄像头获取的深度图像，在不使用任何导频信号的情况下可靠估计复杂数无线信道系数？
• RQ2 在动态室内环境中，VVD 与基于卡尔曼滤波等传统时间序列估计算法相比，性能如何？
• RQ3 CNN在多大程度上能够实时学习环境几何与无线信道特性之间的映射关系？
• RQ4 当移动人员干扰视 Line-of-Sight（LoS）路径与多径分量时，该方法是否仍能保持可靠性？
• RQ5 该系统是否能在无需重新训练的情况下泛化至不同环境配置？

主要发现

• VVD 实现了无需任何导频传输的可靠无线通信，显著降低了能耗与信令开销。
• 在平均信道估计算法精度方面，VVD 优于基于卡尔曼滤波的时间序列估计算法，尤其在环境快速变化时表现更优。
• 基于CNN的方法在不同的人体运动模式与环境配置下均表现出良好的泛化能力，经15组测试组合验证。
• 在动态场景中，如人员遮挡LoS路径或改变多径分量时，系统仍保持低时延与高可靠性。
• 所收集的数据集（包括同步无线信道轨迹、深度图像及训练模型）已公开，可供进一步研究与验证。