1. 项目概述：基于CSI功率的双基地被动感知技术
在无线通信系统中，信道状态信息（CSI）通常被视为保障通信质量的底层参数。然而，当我们转换视角，这些承载信道特性的数据流实际上构成了一个天然的感知网络。传统雷达系统需要专用频谱和硬件，而基于CSI的被动感知技术则巧妙地将通信信号"双重利用"，实现了"通信即感知"的范式革新。
这项技术的核心突破在于发现：CSI的功率域（即信号强度信息）能够天然抑制双基地部署中的时钟异步和硬件损伤。不同于需要复杂校准的相位域处理方法，功率测量自动消除了时间偏移（TO）、载波频率偏移（CFO）以及天线间相位不一致性带来的干扰。这就好比在嘈杂的工厂环境中，与其费力分辨每个人的说话内容（相位信息），不如直接监测声音的强度变化（功率信息）来判断设备运行状态。
实际测试表明，在3.1GHz LTE系统中，仅使用20MHz带宽和3接收天线的配置，就能实现亚米级的实时跟踪精度。更令人惊喜的是，该方法对硬件要求极为友好——不需要天线阵列校准，甚至单天线也能完成基础感知任务。这为在现有通信设备上快速部署感知功能提供了可能，正如我们在智能手机上通过软件升级获得新功能一样简单。
2. 技术原理深度解析
2.1 CSI功率的数学本质
CSI功率矩阵定义为原始CSI矩阵与其共轭的Hadamard积（逐元素相乘）：
P_k = C_k ⊙ C_k^*其中每个元素P_k[i,j] = |CSI[i,j,k]|²。这种变换的本质是舍弃相位信息而保留幅度平方。看似简单的操作却带来三个关键优势：
- 时钟异步免疫：TO引起的线性相位项和CFO引起的公共相位项在取模运算中被消除
- 硬件损伤鲁棒：接收链路间的固定相位偏移和随机相位跳变不再影响测量结果
- 计算轻量化：实数运算比复数运算更适合低功耗嵌入式平台
2.2 静态-动态交叉项的信号价值
将信道分解为静态分量Hₛ（直射径/固定反射）和动态分量Hₓ（目标反射）后，功率矩阵可表示为：
P_k = Pₛ + Pₓ + P_c其中P_c = 2ℜ{Hₛ⊙Hₓ^} 是关键的静态-动态交叉项。这个看似不起眼的交叉项实际上保留了完整的感知信息：
- 时延信息：体现在子载波间的余弦变化频率
- 角度信息：反映在天线间的空间相位差
- 多普勒信息：表现为慢时间维的频率调制
这就好比在游泳池中，静止的池壁（静态分量）与游泳者（动态分量）共同形成的水波干涉图案，通过分析这个图案就能反推出游泳者的位置和动作。
2.3 镜像模糊的物理约束解法
由于功率测量丢失了相位符号，3D傅里叶变换会产生镜像峰值。我们创新性地利用双基地几何约束解决这一问题：
| 约束类型 | 数学表达 | 物理意义 |
|---|---|---|
| 非负相对时延 | τᵪ - τₛ ≥ 0 | 反射路径总比直射路径长 |
| 单侧角度约束 | θᵪ始终在Tx-Rx连线同一侧 | 目标不会瞬间穿越基线 |
| 多普勒符号一致性 | 速度方向与位置变化匹配 | 避免"倒放"式的运动轨迹 |
这些约束就像给迷宫地图加上"禁止通行"标志，确保算法始终选择物理可实现的解。实验证明，该方法可将镜像误判率降低至3%以下。
3. 实时处理流水线设计
3.1 3D傅里叶变换实现
构建CSI功率立方体P ∈ ℝ^(Nₐ×N_f×Nₜ)后，采用三级级联DFT处理：
时延维DFT（沿子载波轴）：
- 零填充至128点提升分辨率
- 仅保留正频率部分（对应τ∆≥0）
- 典型分辨率：20MHz带宽→15ns时延分辨率
角度维DFT（沿天线轴）：
- 32点变换配合λ/2天线间距
- 正弦角度映射：sinθ = mλ/(Nₐd)
- 通过单侧约束消除镜像模糊
多普勒维DFT（沿时间轴）：
- 128个CSI包（0.128秒CPI）
- 速度分辨率：1/(NₜΔt) ≈ 7.8Hz
- 动态范围：±5m/s（室内行人）
# 示例代码：3D DFT处理核心 def process_3ddft(csi_cube): power_cube = np.abs(csi_cube)**2 padded_cube = zero_padding(power_cube, (128,32,32)) delay_fft = np.fft.rfft(padded_cube, axis=1) # 时延DFT angle_fft = np.fft.fft(delay_fft, axis=0) # 角度DFT doppler_fft = np.fft.fft(angle_fft, axis=2) # 多普勒DFT return doppler_fft3.2 自适应运动检测算法
设计CFAR（恒虚警率）式检测器应对复杂环境：
局部峰值提取：
- 在3D频谱中寻找最大值点(ℓ*,m*,n*)
- 计算3×3×3邻域平均功率T_k
噪声基底估计：
μ_k = median({P[ℓ,m,n] | (ℓ,m,n)∈Ω_n})其中Ω_n排除保护区域外的所有频点
多CPI融合决策：
- 滑动窗口（128 CPI）中值滤波
- 动态阈值γ=5确保虚警率<1%
实测发现：人体行走产生的信噪比提升通常超过10dB，而风吹窗帘等干扰通常<3dB，该算法能有效区分二者。
3.3 扩展卡尔曼滤波跟踪
建立6维状态空间模型：
x = [x,y,v_x,v_y,a_x,a_y]ᵀ创新性地采用几何初始化替代随机初始化：
初始位置解算：
- 通过时延τ∆确定椭圆（Tx和Rx为焦点）
- 结合角度θᵪ确定唯一交点
- 典型误差：带宽20MHz→距离误差<1.5m
测量模型：
- 双基地距离和：∆d = ‖p-t‖ + ‖p-r‖ - ‖t-r‖
- 相对正弦角度：s∆ = sinθᵪ - sinθₛ
- 多普勒投影：f_D = (v·u_tx + v·u_rx)f_c/c
异常值处理：
- 马氏距离门限：γ_g=9（对应99%置信区间）
- 物理约束检查：速度<5m/s，角度在FOV内
4. 微多普勒增强技术
4.1 位置聚焦的时频分析
传统方法直接对整个CSI立方体做STFT，会引入杂波干扰。我们提出：
延迟-角度高斯窗：
G_k[ℓ,m] = exp(-(ℓ-ℓ_k)²/2σ_ℓ² - (m-m_k)²/2σ_m²)窗宽σ_ℓ=1.5bin，σ_m=0.8bin
多普勒镜像抑制： 对比正负多普勒bin的能量比：
r_D = |Z[ℓ,m,n]| / (|Z[ℓ,m,n†]| + ε)采用κ=0.5的软阈值加权
4.2 步态识别应用验证
在GaitID数据集上的对比实验：
| 特征类型 | 准确率 | F1分数 | 计算开销 |
|---|---|---|---|
| CASR基线 | 85.9% | 0.859 | 1× |
| 位置聚焦微多普勒 | 90.8% | 0.908 | 1.2× |
| 仅距离聚焦 | 90.6% | 0.906 | 1.1× |
关键发现：
- 躯干摆动产生的主多普勒频偏约±2Hz
- 手臂摆动引入的调制边带间隔约0.5Hz
- 步频信息在倒谱域表现为0.8-1.2Hz峰值
5. 工程实现关键点
5.1 实时性保障措施
流水线优化：
- 并行执行3D FFT与EKF预测
- 采用重叠滑动窗口（50% CPI重叠）
计算耗时实测：
- 3D FFT：0.8ms (Intel i7-1185G7)
- EKF迭代：0.3ms
- 总延迟：<2ms/CPI
内存管理：
- 循环缓冲区存储128个CSI包
- 固定预分配FFT工作内存
5.2 实际部署经验
天线布置建议：
- 高度1.2-1.5m（对应人体躯干）
- 避免金属物体在菲涅耳区内
- Tx-Rx基线距离4-8m为最佳
环境校准技巧：
- 采集30秒空场景数据建立背景谱
- 动态更新静态路径时延τₛ
- 多径抑制：-15dB的谱线置零
故障排查指南：
- 镜像干扰严重→检查单侧约束实现
- 距离估计跳变→验证Tx位置坐标
- 多普勒谱模糊→检查CPI长度是否匹配速度
6. 性能评估与对比
6.1 仿真环境测试
配置参数：
- 载频5GHz，带宽20MHz
- 4接收机（基线）vs 单接收机（本方案）
- 15dB AWGN信道
结果对比：
| 指标 | 多接收机多普勒基线 | 本方案 |
|---|---|---|
| 定位误差(RMSE) | 1.2m | 0.7m |
| 初始化收敛时间 | 8.3s | 0.5s |
| 抗时钟异步能力 | 需精确同步 | 无需 |
| 硬件成本 | 4套射频前端 | 1套 |
6.2 真实LTE系统测试
3.1GHz原型系统实测结果：
- 线性轨迹误差：0.28m
- V形轨迹误差：0.68m
- 矩形轨迹误差：0.60m
- 平均功耗：2.1W（USRP B210）
注：y轴误差通常大于x轴，这与Tx-Rx基线的几何约束强度有关
6.3 极限条件验证
稀疏采样模式（10Hz）：
- 仅使用时延-角度信息
- 轨迹误差增至1.2m
- 仍保持基本运动趋势跟踪
NLOS场景：
- 木板遮挡导致误差增大至1.8m
- 纸板遮挡影响较小（+0.5m）
- 通过多径抑制可改善30%性能
多目标场景：
- 3D峰值检测可区分>1m间距目标
- 需配合数据关联算法
7. 技术演进方向
在实际部署中发现几个有价值的改进方向：
带宽扩展技术：
- 通过载波聚合实现虚拟大带宽
- 20MHz→100MHz可使距离分辨率提升5倍
异构数据融合：
- 结合RSSI的粗定位辅助初始化
- 惯性传感器辅助低速目标检测
深度学习增强：
- CNN处理3D频谱替代传统峰值检测
- LSTM优化EKF的过程噪声参数
节能模式设计：
- 运动激活的间歇工作制
- 分级处理：快速检测→精细跟踪
这项技术的魅力在于，它将通信系统中"被动产生"的CSI数据转化为环境感知的"主动探针"，犹如给基站装上了新型感官。随着ISAC技术的普及，或许不久的将来，我们的手机在下载视频的同时，就能悄无声息地守护居家老人的安全。
