freeDoppler：一个用于基于射频（RF）进行精确速度估计的多普勒效应学习网络

《ACM Transactions on Sensor Networks》：freeDoppler: A Doppler Effect Learning Network for Accurate RF-based Velocity Estimation

本文提出基于WiFi的freeDoppler框架，通过Velocity Estimation Network学习多目标速度与方向，结合物理模型生成高质量CSI数据，有效解决传统方法非线性误差问题，实验显示其速度估计误差中位数为7.98 cm/s，方向28°，追踪误差35 cm，优于现有方法。

　　

摘要

准确估计移动目标的速度（包括速度和方向）最近在增强现实、安全监控和体育健康领域引起了广泛关注。特别是基于多普勒频移（DFS）的速度估计方案，利用WiFi设备展示了巨大的潜力，并已被广泛研究。然而，以往基于快速傅里叶变换（FFT）和路径参数的方法在DFS估计中存在固有局限性，更糟糕的是，这些方法忽略了移动目标与WiFi收发器之间相对位置导致的非线性测量误差。这些局限性使得在实际应用中难以满足对精细速度估计的需求。为了解决这些问题，本文提出了一种基于学习的速度估计框架freeDoppler，以实现精细的、多目标的、与目标方向无关的速度估计。具体而言，我们构建了一个基于WiFi的速度估计网络（VEN），该网络利用连续的复数信道状态信息（CSI）序列作为输入，充分学习多普勒效应的固有信息并准确预测速度变化。此外，我们采用麦克斯韦方程的电场散射模型来构建一个基于物理原理的CSI生成模型（CGM），从而生成大规模、高质量的模拟CSI样本，以提高VEN模型的泛化能力。通过大量的实际实验验证，freeDoppler在速度估计方面的中位数误差为7.98厘米/秒，在方向估计方面为28°，在一个人或两个移动目标的人体跟踪方面为35厘米，显著优于现有的最先进方法。