基于自条件 CSI 外推的神经宽带 WiFi 感知

WiFi 感知受制于其原始通信目的所规定的有限带宽，导致多径分辨率受限，从而影响多用户感知。由于频谱受限与拥挤网络之间的冲突，获取大带宽在商业 WiFi 上几乎不可能。在本文中，我们提出了 Neuro-Wideband（NWB），一种完全不同的范式，使无需专用硬件或额外信道测量即可实现宽带 WiFi 感知。我们的关键洞察是，任何物理的信道状态信息（CSI）测量本质上都包含多径参数，这些参数虽在孤立情况下不可求解，但可转化为近似更广带宽 CSI（eCSI）的形式。为此，我们提出了 WUKONG 以解决 NWB 作为独立条件学习问题，可使用任何现有 CSI 数据作为自标记样本进行训练。WUKONG 引入了一种新型深度学习框架，通过整合 Transformer 和扩散模型，捕获样本特定的多径参数，并将这种样本级知识传递到结果 eCSI。我们在不同 WiFi 信号、协议和带宽下进行了实际实验以评估 WUKONG。结果表明，NWB 在效果上具有前景，并通过使用 eCSI 进行定位和多人呼吸监测案例进一步证明了其有效性。总体而言，提出的 NWB 为在商品硬件上实现宽带 WiFi 感知提供了可行的路径，拓展了无线感知系统的设计空间。