编辑推荐：
在无设备 Wi-Fi 传感中，多链路场景下基于多普勒频移（DFS）的运动跟踪缺乏统计模型，初始位置等不确定性影响性能。研究人员提出 ViWiTraj 算法，经模拟和真实场景测试，精度提升，对先验知识要求降低，更适用于现实应用。
在当今智能科技飞速发展的时代，室内人类运动跟踪技术在智能家居、虚拟现实、物联网（IoT）等众多领域都有着至关重要的作用。想象一下，在智能家居环境中，系统能精准追踪人们的行动轨迹，自动调节灯光亮度和温度，为人们提供舒适的生活体验；在虚拟现实场景里，设备实时捕捉玩家动作，让虚拟世界的互动更加真实自然。
然而，现有的室内人类运动跟踪方法存在诸多问题。基于摄像头的方法虽然精度高，但设备成本高昂，还会引发人们对隐私的担忧；穿戴设备虽广泛应用，却要求用户佩戴特定装置，且传感器覆盖范围有限。相比之下，基于射频（RF）传感器的方法，尤其是 Wi-Fi 技术，因其成本低、无需额外设备且能保护隐私，成为了运动跟踪领域的热门研究方向。
不过，Wi-Fi 运动跟踪技术也面临挑战。目前利用 Wi-Fi 信号中的到达角（AoA）、飞行时间（ToF）和多普勒频移（DFS）进行运动跟踪时，多链路场景下基于 DFS 的运动跟踪统计模型尚未建立。而且，目标初始位置和接收器位置的不确定性会严重降低跟踪性能。例如，在实际应用中，人们可能从多个入口进入监测区域，导致目标初始位置难以确定；同时，接收器位置的估计也可能不准确，这些都限制了 Wi-Fi 运动跟踪技术在现实中的广泛应用。
为了解决这些问题，哈尔滨工业大学的研究人员开展了深入研究，提出了一种名为 ViWiTraj 的算法，相关成果发表在《Digital Signal Processing》上。该研究具有重要意义，它有效解决了模型参数不确定性问题，提高了 Wi-Fi 运动跟踪的可用性和精度，降低了对环境和目标先验知识的依赖，使 Wi-Fi 运动跟踪技术更能适应复杂多变的现实应用场景。
研究人员在开展此项研究时，主要运用了以下关键技术方法：首先，开发了一种全新的多链路场景下的多普勒频移（DFS）测量模型，该模型充分考虑了接收器位置和目标初始位置的不确定性；其次，设计了结构变分推断算法，通过该算法对运动跟踪状态和模型参数进行联合估计，实现了多个不确定参数和跟踪状态的共同优化。
研究结果
- 统计模型构建：研究人员开发了一种统计模型，用于关联多链路多普勒频移（DFS）与运动跟踪状态。该模型纳入了接收器位置和初始状态等不确定性参数，为在不同条件下进行跟踪提供了坚实的基础。通过建立这个模型，能够更准确地描述 Wi-Fi 信号与人类运动在复杂室内环境中的关系。
- 算法设计与优化：设计的结构变分推断算法可以同时估计初始状态位置、接收器位置和运动跟踪状态。这种方法减少了运动跟踪过程中的不确定性，相比现有方法，在多链路环境下的跟踪精度得到显著提升。
- 实验验证：研究人员在模拟和真实场景中进行了全面实验，涵盖了不同的不确定性水平。实验结果表明，ViWiTraj 算法在多链路运动跟踪方面性能卓越，相比 WiTraj 和 Widar2 等现有方法，精度更高，对环境和目标先验知识的要求更低。
研究结论与讨论
ViWiTraj 算法的出现，成功突破了现有 Wi-Fi 运动跟踪技术的局限。它不仅建立了多链路场景下基于 DFS 的运动跟踪统计模型，还通过结构变分推断算法有效解决了参数不确定性问题。在模拟和真实场景的实验中，该算法均展现出良好的性能，为无设备 Wi-Fi 传感技术的发展提供了新的方向。
从实际应用角度来看，ViWiTraj 算法降低了对先验知识的依赖，这意味着它可以在更多复杂、未知的环境中实现精准的运动跟踪，极大地拓宽了无设备 Wi-Fi 传感技术的应用范围。无论是在智能家居的个性化服务，还是虚拟现实的沉浸式体验优化，亦或是物联网设备的高效管理等方面，都具有巨大的应用潜力。
此外，这项研究也为后续相关领域的研究提供了重要的参考。其开发的统计模型和结构变分推断算法，可以启发研究人员在其他涉及参数不确定性的运动跟踪或传感领域进行探索，推动整个行业的技术进步。
