⚡ electrical engineering

Rethinking RSSI for WiFi Sensing

本文提出了名为 WiRSSI 的双基 WiFi 感知框架，通过挖掘商用量级 RSSI 信号中隐含的多普勒、到达角和时延特征，实现了无需 CSI 的被动人体跟踪与手势识别，证明了 RSSI 在 CSI 受限或隐私敏感场景下可作为实用的硬件友好型感知方案。

原作者： Zhongqin Wang, J. Andrew Zhang, Kai Wu, Y. Jay Guo

发布于 2026-02-25

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Zhongqin Wang, J. Andrew Zhang, Kai Wu, Y. Jay Guo

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于WiFi 感知的有趣故事，核心思想可以概括为："别只盯着高清视频看，有时候模糊的‘信号强度’也能告诉你人在哪、在干什么。"

为了让你更容易理解，我们可以把这篇论文的研究内容想象成一场**“侦探游戏”**。

1. 背景：侦探的两种“眼睛”

想象一下，你是一位侦探，想要在不接触目标的情况下，通过 WiFi 信号来追踪房间里的人。通常，侦探有两种“眼睛”：

眼睛 A（CSI - 信道状态信息）： 这是一台高清摄像机。它能看清信号的每一个微小细节（相位、频率等），就像能看清人的指纹、微表情一样。它非常精准，能画出人走的路线，甚至能识别手势。
- 缺点： 很多设备（比如普通路由器、手机）出于隐私或技术限制，不让你看高清画面，只给你看一个模糊的缩略图。而且，高清画面太敏感，容易泄露隐私。
眼睛 B（RSSI - 接收信号强度指示）： 这是一台老式收音机或信号强度条。它只能告诉你“信号有多强”（比如满格、半格、一格）。
- 传统观点： 以前的侦探认为，这个“信号强度条”太粗糙了，就像只看信号格数，根本猜不出人在哪，更别提识别动作了。所以大家都觉得它没用。

这篇论文的作者（Zhongqin Wang 等人）说：“等等！让我们重新看看这个‘老式收音机’。也许它没我们想的那么笨。”

2. 核心发现：模糊的“信号强度”里藏着秘密

作者发现，虽然 RSSI 只是把信号强度“打包”成了一个数字，但这个数字里其实偷偷藏了很多关于运动的线索。

比喻： 想象你在一个有很多回声的山谷里喊话。
- CSI 就像是你录下了每一声回声的精确时间、音调和方向，你能算出回声是从哪块石头反弹回来的。
- RSSI 就像是你只听到了“总音量”的变化。
- 作者的突破： 当一个人走过山谷时，虽然总音量变化很微小，但因为人挡住了某些路，或者反射了某些路，总音量的波动模式其实和人的位置、速度是有关联的！就像虽然看不清人脸，但通过影子的长短和晃动，也能猜出人在跑还是走。

3. 他们的“侦探工具包”：WiRSSI

作者开发了一套叫 WiRSSI 的系统，专门用来挖掘 RSSI 里的秘密。这套系统有三个绝招：

多天线阵列（3 只耳朵）：
他们在接收端放了 3 个天线（就像长了 3 只耳朵）。当人移动时，信号到达这 3 只耳朵的时间有微小差别，强度也有细微变化。通过分析这些差异，系统能算出人的方向（角度）。
- 比喻： 就像你闭着眼睛，听到声音从左边传来，就知道人在左边。
FFT 魔法（快速傅里叶变换）：
这是一种数学魔法，能把杂乱的信号变成清晰的“频谱图”。作者用它把 RSSI 里的微小波动，转化成了多普勒效应（就像救护车经过时声音音调的变化，用来判断速度）和角度信息。
- 比喻： 把一堆乱糟糟的毛线，瞬间梳理成整齐的线团，看清了里面的纹理。
振幅猜距离（没有相位也能猜）：
通常，要算距离需要知道信号的“相位”（就像知道波峰波谷的精确位置），但 RSSI 没有这个。作者发现，信号越强，通常意味着路径越短（虽然受环境影响大，但大趋势是这样）。他们通过一次简单的“校准”（比如让人站在已知位置测一下），就能建立一个“信号强度 vs 距离”的对应表，从而估算出人的大概距离。
- 比喻： 虽然不知道具体的脚步声时间，但通过声音的大小，结合之前的经验，能猜出人是离得近还是远。

4. 实验结果：模糊也能做到“米级”精准

作者在真实的房间里做了实验，让人走椭圆形、直线和矩形路线：

高清摄像机（CSI 方法）： 误差很小，大概 0.5 米 左右。
老式收音机（WiRSSI 方法）： 误差大概在 0.8 米 左右。

结论： 虽然 RSSI 没有 CSI 那么准，但0.8 米的误差对于大多数场景（比如智能家居、老人跌倒检测）已经足够用了！ 而且，它不需要复杂的硬件支持，不需要破解固件，甚至更保护隐私（因为数据更模糊，更难还原出人的具体动作细节）。

此外，他们还用这套系统做手势识别（比如挥手、画圈），虽然准确率比高清版低一点，但依然能认出大部分动作。

5. 为什么这很重要？（现实意义）

这篇论文就像是在说："不要只盯着昂贵的、难以获取的高科技，有时候最普通、随处可见的东西，只要用对方法，也能发挥大作用。"

成本低： 不需要特殊设备，普通路由器就能用。
隐私好： 因为数据是模糊的，不像高清数据那样容易泄露隐私，更容易被接受。
通用性强： 当 CSI 被厂商封锁，或者网络不稳定时，RSSI 是一个完美的“备胎”方案。

总结

这就好比，以前大家觉得只有4K 高清监控才能看清小偷，但作者证明了，只要用聪明的算法，老式的信号强度条也能大致画出小偷的逃跑路线，甚至猜出他在做什么动作。

WiRSSI 让 WiFi 感知变得更加普及、便宜和隐私友好，让“万物互联”真的能变成“万物感知”。

这是一份关于论文《Rethinking RSSI for WiFi Sensing》（重新思考 RSSI 在 WiFi 感知中的应用）的详细技术总结。

1. 研究背景与问题 (Problem)

背景： 集成感知与通信（ISAC）是下一代通信系统的关键范式。WiFi 感知通常依赖信道状态信息（CSI），因为它提供了细粒度的幅度和相位数据。然而，在商用设备（Commodity Devices）上，CSI 的获取常受限于固件/驱动程序支持、厂商策略，且细粒度的 CSI 可能引发隐私和合规性问题（因为它编码了详细的运动特征）。
现有痛点： 接收信号强度指示（RSSI）虽然在所有商用 WiFi 设备上普遍可用，但长期以来被认为过于粗糙，无法用于细粒度感知。
- 原因： RSSI 仅报告带宽聚合的接收功率，分辨率低（通常 8-10 位，约 1dB/级），丢失了多径分集和子载波级的相位信息。
- 传统观点： 认为 RSSI 无法捕捉有意义的环境或人体运动动态，且受自动增益控制（AGC）、天线极化失配等硬件因素影响，导致功率缩放不一致。
核心问题： RSSI 是否真的如普遍认为的那样不适合细粒度感知？能否在缺乏子载波级相位信息的情况下，仅利用 RSSI 实现被动的人体跟踪和运动感知？

2. 方法论 (Methodology)

作者提出了 WiRSSI，这是一个双基地（Bistatic）WiFi 感知框架，仅使用 RSSI 测量值实现被动目标跟踪。

2.1 系统架构

配置： 1 发 3 收（1Tx-3Rx）的双基地设置。发射机和接收机空间分离，接收端配备三天线阵列。
可扩展性： 该框架易于扩展到多输入多输出（MIMO）部署。

2.2 理论模型：从 CSI 功率到 RSSI

物理层建模： 论文首先推导了 RSSI 与聚合 CSI 功率之间的关系。
- CSI 功率（ $|CSI|^2$ ）消除了随机相位失真（如时钟不同步、硬件相位偏移），但隐式保留了由静态路径（LOS/NLOS）与动态路径（目标反射）相互作用产生的相位相关运动调制。
- 这种相互作用在功率域中编码了多普勒（Doppler）、到达角（AoA）和时延（Delay）信息。
- RSSI 作为子载波聚合的功率表示，虽然丢失了子载波级相位，但仍保留了这些运动相关的调制特征。

2.3 信号处理流程

WiRSSI 包含四个主要组件：

静态杂波去除 (Static Clutter Removal)：
- 将 RSSI 转换为线性功率域。
- 计算时间均值以抑制主导的静态分量（LOS 路径）。
- 提取动态分量并进行归一化，以消除硬件相关的幅度变化。
多普勒 - 到达角特征提取 (Doppler-AoA Feature Extraction)：
- 利用轻量级的 2D 快速傅里叶变换 (2D FFT) 流水线。
- 时间维 FFT： 提取多普勒频率。
- 空间维 FFT： 利用三天线阵列提取到达角（AoA）。
- 镜像模糊消除： 利用已知发射机方向（ $\theta_S$ ）引入相位步进，打破实值 RSSI 导致的共轭对称性，从而区分镜像目标。
时延估计 (Delay Estimation)：
- 创新点： 在没有子载波相位信息的情况下，利用信号幅度进行时延估计。
- 原理： 基于幅度 - 时延关系模型。假设目标反射系数与硬件因素在短时间尺度下准静态，动态路径幅度与双基地总时延（ $\tau_{T \to X} + \tau_{X \to R}$ ）成反比。
- 校准： 通过一次预校准获取反射系数比率 $\gamma$ ，即可从幅度推断出绝对时延。
跟踪与感知 (Tracking and Sensing)：
- 将估计的 AoA 和时延转换为笛卡尔坐标。
- 使用 Hampel 滤波器去除异常值，Savitzky-Golay (SG) 滤波器平滑轨迹。
- 将多普勒 - 到达角谱压缩为时间 - 多普勒签名，用于手势识别等感知任务。

3. 主要贡献 (Key Contributions)

理论突破： 推导了基于聚合 CSI 功率的 RSSI 信号功率模型，证明了 RSSI 隐式编码了相位相关的运动信息，揭示了多普勒、AoA 和时延之间的内在联系。
算法设计： 设计了一种基于 2D FFT 的低复杂度特征提取方法，能够仅从多天线 RSSI 测量中联合估计多普勒和 AoA，并利用幅度信息估计时延。
系统实现与验证：
- 基于 Intel 5300 网卡构建了双基地 WiFi 系统，实现了同步的 CSI 和 RSSI 数据采集。
- 在椭圆、直线和矩形三种轨迹上进行了实验，并与基于 CSI 的基准方法（SRCC, CASR）进行了公平对比。
- 在 Widar3.0 数据集上验证了仅用 RSSI 进行手势识别的有效性。

4. 实验结果 (Results)

4.1 跟踪精度

定位误差： 在三种轨迹下，WiRSSI 的中位 XY 定位误差分别为：
- 椭圆轨迹：0.905 m
- 直线轨迹：0.784 m
- 矩形轨迹：0.785 m
对比： 相比代表性的 CSI 基准方法（中位误差约 0.51-0.60 m），RSSI 的精度略低（平均误差增加约 0.26 m），但达到了**亚米级（Sub-meter）**的精度，证明了其可行性。
鲁棒性： 即使在 RSSI 分辨率低、多普勒估计噪声大的情况下，经过平滑处理后，轨迹仍能清晰反映运动趋势。

4.2 计算效率

处理时间： WiRSSI 每个 CPI（相干处理间隔）的平均处理时间仅为 0.2 ms，而基于 CSI 的 SRCC 方法需要 12 ms。WiRSSI 的计算效率显著更高，适合实时边缘计算。

4.3 手势识别

在 Widar3.0 数据集上，WiRSSI 特征在随机划分（70% 训练/30% 测试）下达到了 75.3% 的准确率，虽然低于 CSI 方法（约 94%），但显著优于其他低分辨率特征，证明了 RSSI 保留了具有判别性的运动指纹。
在严格的跨域泛化测试（不同位置/接收机）中，WiRSSI 保持了约 50% 的准确率，显示出一定的泛化能力。

4.4 参数敏感性

Tx-Rx 间距： 2-4 米的间距下，反射系数比率 $\gamma$ 分布集中且稳定，适合校准；1 米间距下波动较大。
CPI 大小： 128-256 个样本的窗口大小在 Doppler 分辨率和运动动态模糊之间取得了最佳平衡。

5. 意义与启示 (Significance)

重新定义 RSSI 的价值： 挑战了"RSSI 过于粗糙无法用于感知”的传统观念。证明了在适当的功率域模型和信号处理下，RSSI 可以作为一种有效的感知信号源。
硬件友好与低成本： RSSI 在所有商用 WiFi 设备上普遍可用，无需修改固件或获取 CSI 权限。这使得 WiRSSI 成为大规模部署、隐私敏感或 CSI 受限场景下的理想互补方案或回退选项。
隐私保护： 由于 RSSI 不直接暴露细粒度的相位信息，它在一定程度上降低了隐私泄露的风险，同时仍能支持基本的运动跟踪。
ISAC 的新范式： 为集成感知与通信提供了新的思路，即利用聚合或低分辨率测量（如功率域信息）结合适当的信号模型，可以在降低硬件复杂度和校准要求的同时，保持可接受的感知性能。
未来方向： 虽然目前主要针对单目标，但该方法为未来在复杂多目标场景下的 RSSI 感知以及混合感知方案（结合 CSI 和 RSSI）奠定了基础。

总结： 该论文通过严谨的理论推导和广泛的实验验证，成功展示了仅利用低分辨率 RSSI 数据即可实现实用化的 WiFi 人体跟踪和手势识别，为在 CSI 受限环境下的 ISAC 应用提供了一种极具潜力的低成本解决方案。