Verfolgen von WLAN-Signalen für einen passiven Durchblick durch Wände mit NI USRP und LabVIEW

"LabVIEW und NI USRP eignen sich hervorragend zur zügigen Prototypenerstellung für die drahtlose Übertragung, den Empfang und die Verarbeitung von Signalen."

- Bo Tan, University College London

Die Aufgabe:

Proving the concept that local WiFi signals can be used to monitor moving objects and bodies that are otherwise visually obscured. Although fundamentally similar to traditional radar systems, our novel approach is entirely passive—utilizing the wireless signals that already swamp our urban airways. We could use this technology, for example, for efficient and undetectable public safety surveillance.

Die Lösung:

Mit NI Universal Software Radio Peripherals (USRPs) und LabVIEW sollte ein passives Demoradarsystem erstellt werden, mit dem unsere hochmodernen Forschungen vorangetrieben werden. Die USRPs, die über viele Frequenzbänder eingesetzt werden können, erfassen RF-Signale (Radio Frequency) auf mehreren Kanälen. Mit LabVIEW haben wir die erweiterte Signalverarbeitung entworfen und iteriert, um winzige Doppler-Verschiebungen innerhalb der erfassten Wireless-Signale ausfindig zu machen und so Bewegung festzustellen.

Mit großem Engagement und einem kreativen Ansatz trägt der Forschungsbereich des University College London (UCL) dazu bei, die dringlichsten Probleme der Menschheit zu lösen. Ob es um das Schaffen gesünderer Lebensbedingungen in Städten oder die Auseinandersetzung mit Themen wie dem weltweiten Gesundheitswesen und dem Klimawandel geht, die Herausforderungen des Alltags inspirieren UCL-Studenten und -Lehrkräfte. Das an der UCL ansässige Team aus Forschern des Bereichs Elektrotechnik untersucht Passivradartechnologien, mit denen mittels WLAN-Funkwellen ein Blick durch Wände möglich ist.

 

Für unsere neue Forschung war ein echtzeitfähiges, passives (nicht kooperatives) Demosystem zur Wireless-Objekterkennung erforderlich, das sich bewegende Objekte durch Wände und andere Hindernisse verfolgen kann. Ähnlich wie ein klassisches Radarsystem setzt auch unser Ansatz auf die Erkennung von Doppler-Verschiebungen bei Funkwellen, während sie von sich bewegenden Objekten reflektiert werden. Statt wie traditionelle Radarsysteme aktiv Funkwellen zu übertragen, setzt unser passives System auf die vorhandenen Wireless-Signale, die in unseren Städten bereits überall zugegen sind. Das vollständige Fehlen von Spektrumbelegung und Leistungsemission sorgt dafür, dass unser Radar nicht erkannt wird. So eignet es sich für die Sicherheitsüberwachung im städtischen Raum.

 

 

 

Außer für Anwendungen zum Schutz der Öffentlichkeit könnte unsere passive Erkennung auch in verschiedenen weiteren Szenarien eingesetzt werden, z. B. für die Überwachung von Menschenmengen, die Verkehrsüberwachung und die Überwachung von Mensch-Maschine-Schnittstellen. Unterschiedliche Arten von Wireless-Signalen können auf unterschiedliche Situationen angewandt werden. So kann unser System Signale nach IEEE 802.11x (b, g, n, ac) erfassen, um bewegliche Ziele in Innenräumen zu Sicherheitszwecken zu erkennen, etwa bei einer Geiselnahme. Dasselbe System könnte auch Mobilfunksignale überwachen, etwa GSM (Global System for Mobile Communications) oder LTE (Long-Term Evolution), und dadurch Richtung und Geschwindigkeit sich bewegender Fahrzeuge erkennen, bevor eine entsprechende Maschinenantwort auf die erkannte Bewegung ausgelöst wird.

 

Um die Vielseitig unseres Radarsystems zu erhöhen, sind mehrere Kanäle erforderlich, damit so die Kompatibilität mit mehreren Frequenzbändern gewährleistet werden kann. Das System sollte so flexibel sein, dass es mit beinahe jedem WLAN-Signaltyp (IEEE 802.11 b, g, n, ac) sowie mit FM- und Mobilfunksignalen arbeiten kann. Grundlage dafür ist flexible RF-Hardware, die große Frequenzbereiche abdecken und darüber hinaus leicht rekonfigurierbare Software für die Signalverarbeitung bereitstellen kann.

 

Passives Wireless-Erkennungssystem auf Basis von USRPs

Um die Zielbewegung genau zu erfassen, benötigen wir mindestens zwei Empfängerkanäle zur Frequenz-Zeit-Verarbeitung (bekannt als Ambiguity Analysis). Ein Kanal schaltet sich auf das Basisfunksignal vom direkten Pfad zu einem lokalen Wireless-Sender auf (z. B. ein WLAN-Router), das wird der Referenzkanal. Der andere Empfängerkanal misst das Referenzsignal, während es von einem beweglichen Ziel reflektiert wird. Das ist der Überwachungskanal. Auf einfachster Ebene lassen sich das Referenz- und das Überwachungssignal vergleichen, um Geschwindigkeit und Position eines erfassten Objekts zu ermitteln. Die Realität sieht allerdings so aus, dass dafür eine erweiterte Frequenz-Zeit-Verarbeitung, Kreuzkorrelation, Fourier-Transformation und intelligente Fehlererkennung erforderlich sind.

 

Im Rahmen unserer Forschung erstellten wir erfolgreich ein zweikanaliges Demosystem, das das verfügbare WLAN-Signal (IEEE 802.11x) nutzt, um sich bewegende Objekte hinter geschlossenen Türen zu erkennen.

 

Das Herz unseres Systems bilden zwei RF-Transceiver des Typs USRP-2921, die zum Empfang des Referenz- und des Überwachungssignals dienen. Die USRPs erfüllten nicht nur unsere Anforderungen hinsichtlich Genauigkeit und Frequenzbereich. Ihre softwaredefinierte Natur trug zudem dazu bei, dass wir unsere Algorithmenentwürfe zügig überarbeiten konnten.

 

Was die Software betraf, entschieden wir uns für LabVIEW. Ursprünglich hatten wir uns andere Werkzeuge, wie z. B. GNU Radio, für die Verarbeitung von Daten mit C++ angesehen. Für die Frequenz-Zeit-Verarbeitung, die auch detaillierte Vektorberechnungen und -darstellungen umfasst, waren komplexe, Multithreading-fähige Verarbeitungsfolgen erforderlich, die sich in klassischen textbasierten Sprachen nur schwer umsetzen lassen würden. Da LabVIEW ein von Natur aus Multithreading-fähiges Entwicklungswerkzeug ist, konnte es die Komplexität unseres Programmcodes ganz selbstverständlich verringern. Diese Eigenschaft reduzierte in Verbindung mit weiteren Merkmalen von LabVIEW, darunter die intuitive grafische Programmierung und integrierte Entwurfsmuster, unsere Entwicklungszeit um Wochen.

 

 

Die Plattform NI USRP ermöglicht die Abdeckung mehrerer Frequenzbänder (50 MHz bis 5,9 GHz). Damit kann unser passives Radarsystem eine große Vielfalt an Wireless-Signalen abdecken, darunter FM, GSM, LTE, IEEE 802.11x, IEEE 802.16 sowie DAB (Digital Audio Broadcasting) oder DVB (Digital Video Broadcasting). Auf jedem Frequenzband nutzen wir 20 MHz Basisband-I/Q-Bandbreiten-Streaming bei 25 MS/s für eine Host-gestützte Verarbeitung mit LabVIEW. Die Bandbreite ist ausreichend für die Erfassung auch der breitesten Kommunikationssignale, die für die passive Zielerkennungsdemo verwendet werden.

 

Neben einer breiten Frequenzbandabdeckung bietet USRP einen weiteren Vorteil: Es beinhaltet einen dedizierten Anschluss für die Reihenschaltung und Synchronisation erweiterter MIMO-Systeme (Multiple Input, Multiple Output). Das wird sich bei zukünftigen Forschungen an der Erweiterung des Radarsystems als sehr hilfreich erweisen.

 

Für die Programmierung des USRP bietet LabVIEW eine Schnittstelle, mit der wir schnell Empfängersitzungen öffnen, konfigurieren und initiieren, Parameter wie Mittenfrequenz, IQ-Rate, Kanalverstärkung und Länge der Samples festlegen und Daten aus der Luft empfangen können. Die Schnittstelle stellt komplexe Fließkommadaten (mit doppelter und einfacher Genauigkeit) bereit, sodass eine Anpassung an verschiedene Anforderungen hinsichtlich Verarbeitungsgenauigkeit und -geschwindigkeit möglich ist. Nach der Erfassung erfolgt die Frequenz-Zeit-Verarbeitung der IQ-Daten mithilfe von Werkzeugen für die Algorithmen- und die Signalverarbeitung in LabVIEW.

 

Mittels USRP und LabVIEW erstellten und testeten wir die passive Wireless-Erkennungsdemo umgehend. Dank in LabVIEW integrierter Funktionen können wir effizient eine Reihe von Vektoroperationen in einem einzigen Block implementieren, darunter Teil-Array, Index-Array, Array-Umformung und Analyse. Neben mathematischen Funktionen können auch maßgeschneiderte schnelle Fourier-Transformationen mithilfe der integrierten LabVIEW-Funktionen zur Signalverarbeitung ausgeführt werden, wodurch wir Zeit bei der Verarbeitung und Programmierung einsparten.

 

Nach der Frequenz-Zeit-Verarbeitung wenden wir einen Schwellenwert an, der sich dynamisch mit der Umgebung gemäß verarbeiteter Signale ändert, um zu bestimmen, ob das erkannte Ergebnis ein echtes Ziel oder ein falscher Alarm ist.

 

Nachweis des Konzepts mittels realer Experimente

Wir haben die Fähigkeiten des entworfenen Systems anhand von zwei Ortungsszenarien demonstriert. Beim ersten Szenario wird eine gehende Person mithilfe von WLAN-Signalabstrahlungen eines gängigen WLAN-Zugangspunkts (AP) erkannt, der 15 dBm bietet. In der Versuchsanordnung trennte eine 25 cm dicke Ziegelmauer die Referenz- und die Überwachungsantenne von der Person und dem WLAN-AP (siehe Abbildung 3). Sowohl Referenz- als auch Überwachungssignal werden von den USRPs digitalisiert und in LabVIEW verarbeitet.

 

Im zweiten Szenario sollen Körpergesten mithilfe derselben Versuchsanordnung durch die Wand hindurch erkannt werden. Der Unterschied zwischen diesen beiden Szenarien sind die Art und der Umfang der Bewegung der Zielperson. Um die kleine Bewegung im zweiten Szenario ausfindig zu machen, werden andere Softwareverarbeitungsparameter über eine längere Integrationszeit hinweg sowie eine verringerte Erkennungsschwellwertbildung verwendet.

 


Abbildung 4 zeigt die Erkennungsergebnisse für Szenario 1, in dem eine Person hin- und hergeht. Das LabVIEW-Frontpanel stellt die sofortigen Doppler-Oberflächenergebnisse (oben links), das ermittelte Ziel (oben Mitte), das Spektrum des Zielbereichs (oben rechts), die Doppler-Aufzeichnung einer 60-minütigen Erkennungshistorie (unten links) und die Aufzeichnung des Zielintensitätindex (unten rechts) dar. Der Schwellenwert wird auf den Zielintensitätsindex angewandt. Wenn also ein erkanntes Signal einen bestimmten Wert überschreitet, behandelt das System die aktuelle Erkennung als gültiges Ziel. Die Doppler-Aufzeichnungskurve (unten links) zeigt klare positive und negative Doppler-Verschiebungen, die den Vorwärts- und Rückwärtsgehrichtungen entsprechen.

 

 

Abbildung 5 zeigt die Ergebnisse der Erkennung kleinerer Körperbewegungen beim Aufrichten einer Person aus einer kauernden Stellung. In diesem Fall kann das System Abweichungen von unter 1 Hz Doppler erkennen, die durch die kleine Störung verursacht werden. Jede periodische Welle stellt einen erkannten Gestenzyklus von der kauernden in die stehende Position dar, wobei eine positive Doppler-Verschiebung bedeutet, dass ein bestimmter Körperteil sich der Überwachungsantenne nähert. Wir haben das Radarsystem verbessert, sodass es noch kleinere Bewegungen erkennen kann, z. B. Handbewegungen. 

 

 

 

Testergebnisse, die wir mit unserem USRP-basierten Radarsystem erzielten, haben definitiv bewiesen, dass das passive WLAN-Abtasten durch Wände möglich ist. Darüber hinaus können wir dank der hohen Empfindlichkeit der NI-Lösung kleinere Bewegungen erkennen, als wir ursprünglich für möglich hielten. 

 

Zusammenfassung

LabVIEW und NI USRP eignen sich hervorragend zur zügigen Prototypenerstellung für die drahtlose Übertragung, den Empfang und die Verarbeitung von Signalen. Die großen Frequenzbänder und die einsatzfertigen Signalverarbeitungsbibliotheken haben dazu beigetragen, die Codeentwicklung und die Experimente zu beschleunigen.

 

Wir sind wirklich begeistert davon, wie sich unser neuer Ansatz bei Passivradar in Zukunft nutzen lässt, etwa für die öffentliche Sicherheit (Entführungen oder Geiselnahmen), eHealth (Überwachungssystem für Senioren) und neue Mensch-Maschine-Schnittstellen (für die Industrie und die Unterhaltung).

 

Unser passives Erkennungsdemosystem ist nicht nur ein solider Machbarkeitsnachweis, sondern wird auch als spannende Lehrplattform für Studenten der Ingenieurwissenschaften und als Prüfstand für die zukünftige Erstellung passiver Erkennungsalgorithmen zum Einsatz kommen.

 

 

 

Informationen zum Autor:

Bo Tan
University College London
1104 Roberts Building, Torrington Building, Department of Electronic and Electrical Engineering, University Collage London
London WCIE 7JE
b.tan@ee.ucl.ac.uk

Abb. 1: Überwachung einer Geiselnahme mit dem neuen Radarsystem
Abb. 2: Überblick über die Softwarearchitektur
Abb. 3: Unsere Versuchsanordnung für die Bewegungserkennung durch Wände hindurch
Abb. 4: Erkennen einer gehenden Person durch eine Wand (Szenario 1)
Abb. 5: Erkennen der Körperbewegung einer Person durch eine Wand (Szenario 2)