802.11ad WiGig CIR感知：60GHz WiFi数据包级信道追踪与呼吸检测

发布时间： 2026-09-17
标签： 802.11ad, WiGig, 60GHz, CIR, 呼吸检测, mmWave, WiFi感知, 座舱感知

---

论文信息

项目	详情
标题	Packet-Level Complex CIR Tracking for Communication-Native mmWave Sensing: An 802.11ad Testbed
arXiv	2609.15622
提交日期	2026-09-14
领域	eess.SP (Signal Processing)
测试平台	可编程60 GHz IEEE 802.11ad
测量规模	39组录音

核心创新

本文呈现了一个可编程的60 GHz IEEE 802.11ad测试平台，暴露每个数据包的完整128抽头复信道冲激响应(CIR)。关键贡献：

1. 数据包级CIR追踪 — 暴露数据包间的延迟偏移和公共相位漂移
2. 延迟对齐方法 — 校正数据包间延迟偏移
3. 相对相位参考 — 消除公共漂移同时保留目标引起的变化
4. 30秒呼吸感知验证 — 证明长期相位稳定性

感知精度提升

校准阶段	波形相关系数	呼吸率MAE
时间戳归一化	0.41	5.1 breaths/min
+延迟对齐	0.52	4.1 breaths/min
+相对相位校准	0.61	3.6 breaths/min

技术详解

1. 802.11ad CIR感知原理

graph LR
    A[802.11ad AP<br/>60 GHz] --> B[数据包传输<br/>包含训练序列]
    B --> C[接收端提取CIR<br/>128抽头复信道]
    C --> D[延迟对齐<br/>消除包间偏移]
    D --> E[相对相位校准<br/>消除公共漂移]
    E --> F[呼吸信号提取<br/>0.1-0.5 Hz带通]
    F --> G[呼吸率估计<br/>Welch PSD]
    
    style C fill:#4a9
    style E fill:#fa0

2. 数据包级CIR模型

import numpy as np
from typing import Tuple

def model_80211ad_cir(
    n_taps: int = 128,
    n_packets: int = 3000,
    packet_rate: float = 100.0,  # packets/sec
    breathing_rate: float = 0.25,  # Hz
    breathing_amplitude: float = 4e-3,  # 4mm
    delay_drift_ns: float = 0.5,  # ns/s
    phase_drift_deg: float = 2.0  # deg/s
) -> np.ndarray:
    """
    模拟802.11ad数据包级CIR
    
    Args:
        n_taps: CIR抽头数
        n_packets: 数据包数
        packet_rate: 数据包率
        breathing_rate: 呼吸频率
        breathing_amplitude: 呼吸幅度
        delay_drift_ns: 延迟漂移
        phase_drift_deg: 相位漂移
    
    Returns:
        cir: 复数CIR矩阵, shape=(n_packets, n_taps)
    """
    c = 3e8
    fc = 60e9  # 60 GHz
    wavelength = c / fc
    
    t = np.arange(n_packets) / packet_rate
    
    # 呼吸引起的胸部位移
    displacement = breathing_amplitude * np.sin(2 * np.pi * breathing_rate * t)
    
    # 相位变化 (往返)
    phase_motion = 4 * np.pi * displacement / wavelength
    
    # 公共相位漂移 (LO不稳定)
    phase_drift = np.deg2rad(phase_drift_deg) * t
    
    # 延迟漂移
    delay_drift = delay_drift_ns * 1e-9 * t
    
    # CIR (简化: 主要路径 + 少量多径)
    cir = np.zeros((n_packets, n_taps), dtype=complex)
    
    main_tap = 20  # 主路径位置
    multipath_taps = [35, 50, 70, 90]
    multipath_amps = [0.4, 0.3, 0.2, 0.1]
    
    for i in range(n_packets):
        # 主路径 (含呼吸信号 + 漂移)
        total_phase = phase_motion[i] + phase_drift[i]
        total_delay = delay_drift[i]
        
        cir[i, main_tap] = np.exp(1j * total_phase)
        
        # 多径
        for tap, amp in zip(multipath_taps, multipath_amps):
            delay_phase = 2 * np.pi * fc * total_delay
            cir[i, tap] = amp * np.exp(1j * (total_phase * 0.5 + delay_phase))
    
    # 添加噪声
    noise = 0.01 * (np.random.randn(*cir.shape) + 1j * np.random.randn(*cir.shape))
    cir += noise
    
    return cir


def calibrate_cir(cir: np.ndarray, packet_rate: float = 100.0) -> dict:
    """
    三阶段CIR校准
    
    1. 时间戳归一化
    2. 延迟对齐
    3. 相对相位校准
    
    Args:
        cir: 原始CIR矩阵
        packet_rate: 数据包率
    
    Returns:
        各阶段的呼吸检测结果
    """
    n_packets, n_taps = cir.shape
    fs = packet_rate
    
    # 找到主路径抽头
    main_tap = np.argmax(np.mean(np.abs(cir), axis=0))
    
    results = {}
    
    # 阶段1: 时间戳归一化 (原始相位)
    phase_raw = np.unwrap(np.angle(cir[:, main_tap]))
    results['stage1_timestamp'] = extract_breathing(phase_raw, fs)
    
    # 阶段2: 延迟对齐 (互相关对齐)
    ref_cir = cir[0, :]
    aligned = np.zeros_like(cir)
    for i in range(n_packets):
        # 互相关找最大延迟
        corr = np.correlate(np.abs(cir[i, :]), np.abs(ref_cir), mode='same')
        shift = np.argmax(corr) - n_taps // 2
        aligned[i, :] = np.roll(cir[i, :], shift)
    
    phase_delay_aligned = np.unwrap(np.angle(aligned[:, main_tap]))
    results['stage2_delay_aligned'] = extract_breathing(phase_delay_aligned, fs)
    
    # 阶段3: 相对相位 (减去参考抽头相位)
    ref_tap = (main_tap + 30) % n_taps  # 参考抽头
    phase_ref = np.unwrap(np.angle(cir[:, ref_tap]))
    phase_relative = phase_raw - phase_ref
    results['stage3_relative_phase'] = extract_breathing(phase_relative, fs)
    
    return results


def extract_breathing(phase: np.ndarray, fs: float) -> dict:
    """
    从相位信号中提取呼吸
    
    Args:
        phase: 相位信号
        fs: 采样率
    
    Returns:
        呼吸检测结果
    """
    from scipy.signal import butter, filtfilt, welch
    
    # 带通滤波 0.1-0.5 Hz
    b, a = butter(4, [0.1, 0.5], btype='band', fs=fs)
    breathing = filtfilt(b, a, phase)
    
    # 频谱估计
    f, psd = welch(breathing, fs=fs, nperseg=min(256, len(breathing)))
    
    # 呼吸频率
    breathing_rate = f[np.argmax(psd)] * 60  # BPM
    
    return {
        'breathing_rate_bpm': float(breathing_rate),
        'correlation': 0.0,  # 需要参考信号计算
        'signal': breathing
    }


if __name__ == "__main__":
    print("=== 802.11ad WiGig CIR呼吸感知仿真 ===\n")
    
    # 模拟CIR
    cir = model_80211ad_cir(
        n_packets=3000,
        packet_rate=100.0,
        breathing_rate=0.25,  # 15 breaths/min
    )
    
    # 三阶段校准
    results = calibrate_cir(cir, packet_rate=100.0)
    
    for stage, result in results.items():
        print(f"[{stage}]")
        print(f"  呼吸率: {result['breathing_rate_bpm']:.1f} BPM")
        print()
    
    print("=== 校准阶段对比 ===")
    print(f"阶段1 (时间戳归一化): 相关性~0.41, MAE~5.1 breaths/min")
    print(f"阶段2 (+延迟对齐):    相关性~0.52, MAE~4.1 breaths/min")
    print(f"阶段3 (+相对相位):    相关性~0.61, MAE~3.6 breaths/min")

3. 关键技术贡献

贡献	说明	价值
128抽头复CIR暴露	比商业收发器暴露更多	完整信道信息
包间延迟偏移校正	互相关对齐	消除时序抖动
相对相位参考	用静态抽头作参考	消除LO漂移
三阶段渐进校准	从0.41→0.61相关	系统化改进

座舱应用映射

60GHz WiFi感知在座舱中的定位

应用	60GHz WiFi优势	60GHz WiFi劣势	替代方案
驾驶员呼吸	非接触、复用WiFi	需视距、金属反射	mmWave雷达
CPD儿童检测	复用车载WiFi	穿透座椅有限	UWB 802.15.4ab
乘员占用	数据包级精度	金属座舱多径复杂	压力传感器
生命体征	30s稳定追踪	需要静止	rPPG摄像头

与RT-VSS FR3的互补

指标	60GHz 802.11ad	FR3 (7-24 GHz)	融合方案
呼吸精度	3.6 BPM MAE	0 BPM	FR3为主
心跳精度	未验证	0-32 BPM	60GHz辅助
穿透力	弱	中等	FR3穿透+60GHz精度
硬件复用	车载WiFi	需新硬件	WiFi+FR3雷达

IMS开发启示

1. 60GHz WiFi作为座舱感知补充

60GHz WiFi感知的核心价值在于通信感知一体化(ISAC) — 复用现有802.11ad/ay模块实现感知功能，无需额外传感器：

优势	劣势
零硬件增量（复用WiFi）	需视距，穿透力弱
128抽头完整CIR	金属座舱多径复杂
数据包级时间分辨率	需要三阶段校准
通信感知一体化	呼吸率MAE仍3.6 BPM

2. 校准方法对其他感知的启发

三阶段渐进校准方法可推广到其他无线感知场景：

阶段1: 时间戳归一化 → 基线
阶段2: 延迟对齐     → +20%精度提升
阶段3: 相对相位     → +50%精度提升

结论

本文展示了802.11ad WiGig平台在数据包级CIR追踪和呼吸感知方面的能力。三阶段校准将呼吸率MAE从5.1降至3.6 breaths/min。

对IMS的核心启示： 60GHz WiFi感知可作为座舱感知的通信原生补充层，但其精度仍不及专用mmWave雷达。关键价值在于复用现有WiFi硬件实现零成本感知。建议与FR3雷达融合 — FR3负责穿透+呼吸，60GHz负责高精度微动。