RadarFoot：用于智能鞋的细粒度地面上下文感知

文献标题

RadarFoot: Fine-grain Ground Surface Context Awareness for Smart Shoes

文献信息

• 主题领域: 穿戴技术中的地表识别与智能鞋应用
• 关键词: 穿戴设备, 智能鞋, mmWave雷达, 情境感知, 机器学习, 地表识别, 湿/干检测

研究背景与问题

• 问题与挑战:
  • 当前的智能鞋没有深入的地表情境感知能力，尽管这对用户功能适配和体验至关重要。
  • 现有技术在地表识别上局限于特定场景或条件，无法处理生态有效的数据或动态环境中的多样地表。
  • 需要一种能够动态检测多地表类型和用户活动的解决方案，比如步态变化。
• 研究动机:
  • 更准确的地表识别可支持盲人导航、室内定位、湿滑地表检测等应用场景。
  • 雷达的高反射特性特别适合探测地表材料属性，为地表分类提供新的可能性。

解决方案

• 主要方法或解决方案:
  • 提出使用毫米波雷达（mmWave Radar）的地表分类方法，并嵌入到智能鞋中。
  • 基于雷达反射信号建模地表特性，并设计机器学习分类器以识别动态和静止条件下的地表类型。
• 创新点:
  • 面向动态环境的地表分类（如行走中的“动态分类”），前所未有地集成毫米波雷达技术于鞋类中。
  • 建立了针对湿/干地表识别的系统，旨在解决现有视觉方法局限的问题。
• 实施步骤与关键技术:
  1. 硬件开发:
     • 使用Acconeer XR112毫米波雷达传感器、Raspberry Pi 4控制板、Pisugar电池，以及一个IMU，用于验证运动地真值。
     • 调试参数（例如信号增益、更新频率等）以优化雷达信号回波的质量。
  2. 数据收集及特征提取:
     • 收集来自23名参与者在校园中行走的“在野”数据，以及实验室静止状态的数据。
     • 定义14个特征（如不同深度的回波能量、信号梯度等）描述反射波信号结构。
  3. 模型开发:
     • 使用随机森林（RF）、SVM等机器学习模型，训练两个主要分类器：动态地表分类模型和静止地表分类模型。
     • 引入步态循环检测，实现实时特征提取和分类模型的自动化。
  4. 湿/干地表检测:
     • 模拟湿表面条件以扩展模型识别能力。
  5. 实时实现:
     • 开发一个有效的检测线程实现步态和表面分类的实时响应，平均滞后时间约为1秒。

研究成果

• 主要成果:
  1. 动态条件下，对于5种地表类型，准确率为80%；对于10种地表类型，达到66.25%。
  2. 静止条件下，10种地表分类准确率为98.1%；湿/干地表分类准确率为95.6%。
  3. 活动类型（如站立、行走、上下楼梯）检测准确率为90.22%。
• 与现有方案的比较:
  • 比一些静态地表检测方法（如mSense或CapSoles）更适合横跨动态条件，尽管在少数地表类型（如10类分类）中准确率稍低。
  • 无需依赖视觉或环境光，超越基于相机或IMU的传统方法。
• 实验与评估:
  • 实验包括多种真实地表的复杂设置。
  • 用户参与提供跨性别与步态差异的验证。
  • 平衡模型性能与实用可行性，通过特征工程明显减少视角依赖。
• 局限性与未来方向:
  • 动态模型对部分相近地表区分能力有限（如砾石和干泥）。
  • 样本不平衡和小体量数据集限制了深度学习模型的表现。
  • 当前硬件设计较为笨重，未来可进一步小型化和优化能耗。
  • 未来需探索高温、湿度变化等自然环境的影响及模型鲁棒性。

结论

本研究通过集成毫米波雷达与智能鞋，首次实现了动态与静态条件下的高效地表分类。研究成果在室内定位、盲人导航、跑鞋缓震调整等多个领域具有实际应用潜力，期望在后续研究中集成更加先进的数据处理方法和硬件设计，推动智能鞋乃至智能穿戴设备的进一步发展。