# [WiFi Radar]研究筆記

研究目的:
我研究的題目是透過WiFi訊號(Channel State Information)來做感知(Sensing) 比如識別手勢，唇語或其他在空間中的活動(Action/Activity Recognition)，目前還沒有確定要用WiFi訊號感知什麼
以往WiFi訊號大多是拿RSSI這類訊號當資料源，而RSSI是透過CSI內的一些資料綜合計算而來，對於資料而言過於單一，而這樣一個單一的值背後可能包含多種情況，對於感知而言，CSI是一種複數矩陣它是描述發射端到接收端中間的訊號傳輸的變化，訊號傳輸過程受到物理因素干擾，這類的"干擾"則是我要感知的目標

設備差異:天線數量收或發,採樣速率,是SDR(軟體無線電)還是WiFi網卡(當前的Intel 5300)
不同的配置影響後面可以做的實驗,要先篩選出那些是可行的
讀一些WiFI實體層通訊原理的書,目前自己對CSI的認識是描述
好幾個通信頻道所分布能量數值,舉個簡單例子:以2.4G WiFi通訊來講,它會使用[2.401.1 , 2.401.2 , .... 2.401.N]N是子載波數量,每一個載波都有能量(強度),也就是從TX--->RX中間經歷過後 RX收到的子載波個別的強度

1.在重現GestFi專案中發現他的實驗設備是使用兩張Intel 5300,一張收CSI資料,一張開啟Injection Mode來達到高速發封包,提升採樣率,由於我們只能使用一般的router當作TX故除非修改韌體否則發封包的速率是有限的
ps: 5300本身可以修改韌體更改發包速率
2.CSI Raw Data Parser實作: CSI 資料的log工具是使用C 是使用C撰寫的,直接改寫Log工具為python的binding,
使用python直接讀取Log工具存的檔案,也就是檔案IO的方式,
3.目前看到的CSI研究中都是用傳統的訊號前處理加上監督式機器學習的方式,尚未看到有使用Deep Learing作為方法的,故我想嘗試這個方向
4.研究python的Deep Learing Framework : TensorFlow
將CSI Raw Data Parser與Tensorflow整合

在使用CSI做室內定位中大部分都是使用位置相對訊號訊息的指紋,做監督式學習,做到了計算出"點"的位置,這篇剛在今年7月發表的,不需要預先訓練non-training,相對於定位出"點"他是直接算該"點"的移動向量跟方向,因為還沒完全讀懂 , 我的理解他的的方法是計算該訊號在空間中的衰退 , 反射等路經,推算出移動速度時間等,並且這個路經的變化有個物理上有模式可循,簡言之就是基於物理模型所以不用訓練,該篇的方法我認為出發點跟其他篇很不一樣使用物理模型值得借鑑

附上簡報跟論文連結:
https://drive.google.com/…/0B8188ZOC8d7OejhzYzBBU2t5V…/view…

https://drive.google.com/…/0B8188ZOC8d7OZHB4eEdPRzdIZ…/view…

ㄉ