“城市計算夏令營”精華課程：面向智慧城市的智能感知技術
“對人和環境泛在、智能感知”是重要的科學前沿研究課題，也是滿足智慧城市、公共安全等國家重大需求的關鍵支撐。為此，《國家創新驅動發展戰略綱要》、《國家“十三五”科技創新規劃》等將智能感知列為戰略任務和重點方向。
城市計算是智慧城市建設的重要支撐，如何大規模、低成本地收集“城市大數據”則是開展城市計算研究的基石。基於靜態設施的傳統感知技術（典型代表為物聯網）存在部署成本高、覆蓋範圍有限等不足，難以滿足城市空間大規模動態感知需求。以羣智感知（Crowd Sensing）[1-4]、無線感知（Wireless Sensing）[15-18]等為代表的新型感知技術成為應對公共安全、災難應急等重大挑戰的有效方式，受到國內外學術界和工業界的廣泛關注。
羣智感知[1-4]利用廣泛存在的智能設備（智能手機、可穿戴設備、車載設備等），實現靈活機動且成本低廉的數據收集。移動羣智感知(Mobile Crowd Sensing)是羣智感知的一種特殊形式，其以大量普通用户及攜帶的智能設備作為感知節點，利用大眾的廣泛分佈性、靈活移動性和機會連接性實現大規模時空感知。相比羣智感知，移動羣智感知覆蓋範圍更廣、靈活性更強，是一種“以人為中心”的感知模式，通過利用顯式或隱式的大眾“智慧”（即羣體智能），對低質、冗餘、碎片化感知數據進行優選和增強理解，進而為城市計算提供更加優質的數據。移動羣智感知關注的主要科學問題是：1）如何合理選擇和協同泛在、互補的羣體感知能力實現高質量感知；2）如何高效處理和融合低質、冗餘的羣體感知數據實現準確理解。
無線感知的基本原理是：環境中傳播的無線信號, 會由於感知目標（人或物）的存在而產生反射、衍射、散射等現象，使得接收設備所接收信號（即回波信號）的振幅、相位等特徵發生變化，通過檢測和分析信號的變化特徵，便可推斷感知目標的位置、狀態等信息，達成感知之目的。相較於圖像感知、可穿戴感知等技術，基於普通商用設備的無線感知不需在環境中部署任何專用傳感設備，也不需感知目標攜帶任何傳感器，具有普適程度高、感知範圍廣、感知成本低、不侵擾用户、不泄露隱私等特點和優勢，是實現城市感知的理想形式，具有廣闊的應用前景。無線感知關注的主要科學問題是：1）無線感知的理論模型和一般機理，揭示感知極限；2）無線感知的精準性和魯棒性，降低環境改變、個體差異等對性能的影響。
針對城市感知需求和上述科學問題，西北工業大學人機物融合智能計算團隊在國家自然科學基金、國家“973計劃”等科研項目的支持下，在國際上較早開展並持續深入開拓移動羣智感知、智能無線感知相關理論與方法研究，取得系列創新成果。
一、移動羣智感知
結合移動羣智感知關鍵科學問題，重點在感知任務分配、感知數據匯聚、羣智融合計算等方面開展研究工作。
1.感知任務分配
移動羣智感知任務分配涉及兩類重要實體，即感知任務和任務參與者，關鍵在於如何利用優化模型和算法，在候選者集合中選擇優質的參與者執行任務，以保證低成本地獲取足量的優質數據。任務分配通用模型如圖1所示。
▲圖1 任務分配模型
1.1 面向單任務的參與者選擇
針對如何為城市空間中的單個感知任務（如城市某重點區域交通動態）選擇合適感知節點這一問題，提出了基於信用分佈的影響力最大化算法，預測感知參與度。將基於事件的社交網絡（EBSN, Event-Based Social Network）的活動視為感知任務，綜合考慮任務的內容特徵、時空情境特徵和社會影響特徵，提高預測用户參與任務的準確率，即提高感知能力發現和任務分配的命中率。如圖2所示，將感知節點挑選的問題形式化為偏好-影響力集合選擇問題，即尋找對當前感興趣且具有影響力的用户集。方法框架包括用户-任務偏好建模和影響力最大化兩個部分。相關工作發表在ACM UbiComp 2015[5]。
▲圖2 基於信用分佈的感知任務參與影響力最大化算法
1.2 面向多任務的參與者選擇
1.2.1同構多任務分配
移動羣智感知任務往往併發出現，其中感知節點數量與任務數量的比例影響了感知能力優化組合的方式，主要存在兩種情況：感知節點資源充足和感知節點資源匱乏。
針對感知節點資源充足的情況，要求每個工作者完成一個任務以保證任務完成的質量，優化目標是最小化移動距離和激勵成本。針對該問題，利用多目標優化模型求解，分別通過線性加權法和妥協約束法將雙目標轉化為單目標，採用整數線性規劃方法（如分支定界法）求解。
（1）感知節點資源充足 （2）感知節點資源匱乏
▲圖3 面向多任務的感知能力優化組合
針對感知節點資源匱乏情況，需要每個工作者完成多個任務以增加任務被完成的總比例（即任務完成率）。此時，優化的目標是最大化個體任務分配個數以提高任務完成率和最小化羣體移動距離以縮短任務完成時間。針對該問題，利用最小費用最大流模型，提出基於增廣鏈（Augment Path）的優化算法，其中費用代表移動距離，流代表完成的任務個數；根據優化目標，為工作者分配最短移動距離的任務集且保證每個任務得到儘可能充足的工作者。相關研究成果發表於頂級國際會議ACM UbiComp 2016[6]。
▲圖4 基於最小費用最大流的多任務分配模型
1.2.2 異構多任務分配
針對異構多任務的感知能力發現與分配問題，需要綜合考慮感知節點和任務之間的時空相關性。在城市環境中，鑑於越來越多的感知任務需要利用多源感知信息，提出一種支持多併發的感知節點發現和任務分配機制至關重要。然而，現有方法大多側重於同構任務。由於不同的時空任務需求和感知情境，需要綜合考慮感知節點的時空屬性，挖掘時空相關的感知節點能力。為此，提出並形式化定義跨空間異構多任務分配問題，將數據質量最大化和總激勵預算最小化（如圖5所示）作為約束條件。利用異構任務間的隱式時空相關性，提出一種兩階段求解方法，有效地處理共享資源池中的多個併發任務。基於異質任務的時空分佈條件與羣體用户的時空移動行為模式，從感知質量與感知成本兩個維度出發，提出基於多輪線性加權和粒子羣優化的任務分配算法。相關研究成果發表於IEEE Transactions on Mobile Computing[7]。
▲圖5 基於時空相關性的異構多任務分配方法
2 感知數據匯聚優選
源於不同參與者的羣智感知數據具有低質、冗餘、碎片化等特性，對其進行高效匯聚和優選是提升數據質量的重要途徑。
2.1 羣智感知數據跨空間增強理解
針對如何利用羣智感知數據實現語義增強理解的問題，提出基於物理空間的羣物交互信息增強理解視覺感知數據語義的方法，利用物理空間與信息空間在感知和收集能力方面的差異性和互補性提高信息理解能力。以城市公共信息快速傳播與共享為應用背景，通過關聯物理空間與信息空間進行跨空間轉發，挖掘和利用多維物理空間羣物交互特徵對信息空間語義進行增強感知和理解。如圖6所示，在信息空間利用OCR識別技術、圖像特徵提取方法和數理統計方法，可以獲得數據和數據集的一部分特徵；在物理空間根據羣物交互信息，進一步提取羣體、物體以及羣物交互特徵（包括人-感知對象-地點之間的交互信息熵、偏好等），得到人對地點和對內容的偏好以及不同感知對象、地點之間的關聯，進一步結合人的社交信息，提出基於多標籤分類與啓發式規則融合的方法，解決視覺感知數據的語義分類與語義標註問題。相關研究成果發表於IEEE Transactions on Mobile Computing[8]。
▲圖6 基於羣物交互特徵的信息空間語義增強感知和理解
2.2 羣體協作式可視事件感知
針對基於圖像數據的物理事件感知問題，目前的應用大多在收集到全部數據後，利用圖像的視覺特徵從數據集中選擇能夠刻畫整個事件的最小數據集。區別於這些基於信息空間數據挖掘的方法，根據個體智能和羣體智能對物理事件感知粒度和層次的不同，提出基於羣體行為特徵的視覺感知數據優質萃取方法，從數據流中實時萃取優質數據，解決了面向各類突發事件的實時感知數據優質萃取問題。如圖7所示，感知節點、事件、照片、照片流、事件關注者和多粒度感知結果之間存在緊密關聯，且羣體感知行為存在共性（在感知對象發展的不同階段進行拍攝）和差異性（拍攝時空和數量的差異）。具體而言，個體智能體現：個體對事件發展過程中不同階段的變化進行實時感知；羣體智能體現：羣體對事件重要時刻和不同側面進行感知。面向不同的物理事件，基於羣體感知行為特徵不但將各個不同的子事件檢測出來，而且評估了子事件的重要性，從而快速得到低冗餘、高覆蓋的事件多粒度感知結果[9]。
▲圖7 基於羣體協作的視覺感知數據優質萃取
2.3 基於時空關聯的羣智數據增強理解
城市空間存在大量感知數據，然而針對不同的研究問題，不同類型或屬性的感知數據往往具有不同的意義和重要性。為此，研究如何利用其他類型的感知數據對指定屬性信息進行估算或補償至關重要，成為羣智數據協作增強的主要研究難點。對於物理事件全方位感知而言，用户的位置信息尤為重要。然而，出於隱私保護以及其他因素，用户位置信息往往不能直接獲取。
為此，提出基於用户-事件多維時空感知數據的物理位置信息預測模型，通過挖掘時空屬性數據之間的關聯關係，實現對缺失/稀有屬性信息（地理位置）的估算和預測，實現不同類型數據的協作增強。具體地，從話題偏好、歷史軌跡、社交信息三個層面對用户個體和物理事件構建特徵表達模型，並通過高斯過程迴歸對用户到物理事件的距離進行擬合與估計，從而估算出用户的相對物理位置信息。相關成果發表於IEEE TMC[10]。
3 羣智融合計算
在移動互聯網、物聯網不斷髮展的背景下，用户可以通過線上/線下多種方式貢獻數據。羣智融合計算旨在研究如何挖掘或融合羣體智能（羣體態度、認知偏好、行為模式、交互規律等），以實現對低質冗餘、內容豐富、多維互補羣體貢獻數據的高效處理和語義理解。
3.1 基於多模態羣體數據關聯的事件感知
在線社交網絡中羣體所貢獻的數據往往能夠反映感知事件的不同側面，如何關聯同一事件的多模態羣體數據，實現事件演化的智能感知與脈絡呈現具有現實意義。針對此，提出分層圖模型融合多維關係，利用圖挖掘等方法實現多模態數據的關聯表達，進而生成事件演化脈絡。
▲圖9 基於多模態羣體數據關聯的事件感知
模型如圖9所示，其中多模態數據包括時間、文本、圖像以及用户交互信息，文本信息用於發現線索，時間信息用於事件分割，圖像及用户交互信息用於關聯線索。通過跨模態語義關聯，將不同模態的數據映射到同一個空間，實現對跨模態數據的關聯與優選。基於來自新浪微博中關於兩個社會事件(“天津爆炸”,“巴黎恐襲”)的微博數據進行實驗。結果表明，所提出方法發現的線索代表性較高，生成的事件脈絡可有效關聯多模態數據用於刻畫事件進展，並且通過關聯跨模態數據能夠提升所選擇數據的相關性與多樣性。相關研究成果發表於ACM UbiComp 2017[11]。
3.2 跨城市跨企業羣體知識遷移與商業推薦
智慧城市背景下，隨着社交媒體和位置服務的普及，城市數據日益增多，為連鎖企業的選址研究提供了豐富的信息。現有工作多是在目標城市已有標籤數據的情況下，進行候選地的評分預測，完成連鎖企業的選址推薦。然而，當目標企業進軍新城市，會遇到無標籤數據的冷啓動問題。針對此，提出一種基於跨城市跨企業羣智知識遷移的選址推薦方法，解決連鎖企業進軍新城市時所面臨的歷史數據缺失問題。在協同過濾的基礎上，引入遷移學習思想，構造包含城市內部特徵語義提取、城市間知識關聯和遷移評分預測的遷移模型，有效融合城市和企業兩方面的知識，解決了冷啓動條件下的連鎖企業選址推薦問題。相關研究成果發表於國際會議ACM UbiComp 2018[12]。
▲圖10 基於多維感知數據的知識遷移模型
3.4基於圖神經網絡的跨場景多任務羣智知識遷移
應用商店中，用户會在不同場景下載移動APP，如首頁瀏覽下載、搜索下載等。用户在不同場景下的下載記錄都能反映用户的興趣偏好，並且不同場景的數據具有互補性，因此融合不同場景的數據學習用户興趣偏好，有助於提升推薦性能。針對不同場景（瀏覽、搜索），根據用户在各場景中下載的移動APP，學習移動APP在不同場景下共享的嵌入表示，刻畫用户的興趣偏好，並通過多任務學習為用户推薦其可能感興趣的移動APP。具體而言，根據用户在不同場景下載的移動APP序列，構建APP關係圖；採用圖神經網絡學習不同場景下共享的移動APP嵌入表示；根據用户歷史下載的移動APP，學習用户的嵌入表示(即用户的興趣偏好)；通過多任務學習跨場景協同優化，給用户推薦可能感興趣的移動APP。
▲圖11 用户-移動APP關係網絡圖嵌入表示與知識遷移模型
3.5基於深度-條件隨機場模型的城市行為預測
城市犯罪事件的發生受到多種因素的影響，其中包含一些未知的隱含變量。傳統條件隨機場模型往往構建顯式因素與預測目標之間的關係，無法對隱含變量進行建模。同時，城市區域之間的關係稠密，傳統條件隨機場在應對稠密圖結構時運算複雜度較高。針對此，提出一種基於神經網絡的條件隨機場模型(NN-CCRF)，使用長短記憶網絡(LSTM)和去噪自編碼器(SDAE)分別對影響犯罪事件的時間和空間隱含變量進行建模。基於變分推斷理論，將這一模型改造為可以端到端訓練的深度神經網絡，簡化了模型的求解過程，提升了預測性能。相關工作發表在國際會議IJCAI 2019[13]。
▲圖12 基於神經網絡的條件隨機場預測模型
4 移動羣智感知平台CrowdOS
為解決通過眾包或羣智感知等形式進行大規模數據彙集和優選的通用和個性化問題，設計並實現了開源移動羣智感知系統平台CrowdOS[14]，系統架構如圖13所示。系統集成了感知能力建模、複雜任務分配、多粒度隱私保護與激勵機制等關鍵技術，解決了現有羣智系統多面向特定任務設計、任務分配模式單一等問題。
▲圖13 移動羣智感知系統平台CrowdOS
CrowdOS運行在原生操作系統和上層應用之間，包含了感知端和服務器端。感知端（Sensing-end）的軟件載體由兩類設備組成，第一類是具備人機交互功能的便攜式智能感知設備；第二類是部署在物理世界中的固定傳感器。服務端(Server-end)軟件提供綜合管理服務，通常部署在服務器集羣，雲服務器或者邊緣服務器之上。Sensing-end內部分為兩層，底層是系統支持層，主要負責獲取感知節點狀態，統一封裝接口以及保證網絡通訊；上層是功能層，主要實現人機交互，任務確定與數據傳輸。Server-end主要負責任務調度和分配，系統資源管理及核心機制運行等。Sensing-end和Server-end通過一系列通信和交互協議進行數據傳輸和行為控制。
CrowdOS系統自2019年9月開源上線以來已經有包括美、英、日、法、加、澳等在內的20餘國家科研人員訪問和一萬餘次下載，相關成果得到包括新華社、人民網、新浪網、鳳凰網、文匯報、中國青年報等知名媒體的廣泛報道，並已在城市管理、公共安全等領域開展了示範應用。
二、無線感知
結合無線感知關鍵科學問題，重點在感知覆蓋模型、行為識別關鍵技術等方面開展研究工作。無線感知的基本原理是當無線信號在傳播過程中遇到人體，會發生反射、折射、衍射、散射等現象，導致信號的正常傳播發生變化，通過分析接收信號的變化模式，便可感知人的行為。當前，無線感知領域主要有兩種研究思路，其一是基於接收信號的變化模式，通過機器學習方法訓練模型，實現行為識別或分類，即基於信號模式的感知；其二是基於物理模型或原理，探索無線感知的一般機理，推導特定物理量（如位置、速度、角度等）與接收信號特徵間的量化關係，進而基於物理量和信號特徵識別人的行為，即基於理論模型的感知。
基於信號模式的感知方法缺乏對無線感知機理的深層理解，識別模型的性能依賴於信號採集的環境因素，往往隨着環境改變而大幅下降，無法有效解決多人行為魯棒識別等複雜感知問題，因此基於理論模型的感知方法受到越來越多的關注。
1.無線感知覆蓋模型
當前關於無線感知機理最具代表性的研究進展是基於菲涅爾區[注1]的無線感知模型[19]。該模型由北京大學張大慶教授團隊於2016 年提出，揭示了無線感知場景下，當被感知對象位於不同菲涅爾區時，其反射的信號與視距路徑信號疊加後，會由於兩路信號的相位關係不同形成不同的疊加效果。當被感知對象位於奇數/偶數菲涅爾區邊界時，疊加信號分別出現加強/減弱的效果。當被感知對象移動時，由於視距路徑信號不變而反射信號的相位連續變化，接收信號的振幅會出現類似正弦波的波動，其波峯和波谷剛好對應着奇數和偶數菲涅爾區邊界。
菲涅爾區模型不僅揭示了感知目標微小移動與信號波動模式間的量化關係，也揭示了目標在不同位置和朝向活動時信號變化的差異。然而，對不同粒度的行為而言，同一系統具有不同的感知能力，例如覆蓋範圍的差異。換言之，由於無線信號存在衰減問題，無線感知系統具有有限的感知範圍，當目標超出一定範圍後，則無法有效感知。針對此，構建基於目標反射面積和相對距離的無線感知覆蓋模型（如圖14所示），評估系統的感知範圍和感知粒度，提出感知範圍量化估計方法，可指導無線感知設備的部署[18,20]。
具體而言，由於傳播路徑越長，反射路徑信號到達接收端時強度越弱，具有相同反射傳播距離的反射點會形成一個橢球。因此，結合菲涅爾區模型，將感知範圍邊界建模為一個橢球。同時，目標反射面積越大，產生的回波信號越強，使得總信號中的動態成分更多，相應的感知範圍增大。基於此，將人體活動按照反射面的大小劃分為三種粒度：細粒度、中粒度、粗粒度。系統對於細粒度動作的感知範圍較小，目標只有在距離設備比較近的位置才能被檢測到。特別地，這種情況下，目標距離設備（發射器與接收器）越近，其可能從發射端反射越多的信號至接收端。因此，細粒度動作的可感知範圍具有一個出現在收發設備中間位置處的內凹。
▲圖14 無線感知覆蓋模型
另一方面，在空曠處全部接收信號的靜態成分主要是由經視距路徑傳播的信號以及經地面反射的信號組成。此時，靜態路徑信號的強度主要由發射器和接收器之間的距離決定，即當設備間的距離越大，靜態路徑信號的強度就越弱。由於靜態信號變弱會提升系統對動態信號變化的捕捉能力，因此係統的感知範圍會隨之增大。綜上，在空曠環境中，Wi-Fi無線感知系統的覆蓋範圍可被建模為一系列的橢球，其中細粒度動作的感知範圍會在設備中間位置出現一個內凹。橢球的大小會隨着動作發射面的增大而增大，同時也會隨着發射器和接收器之間距離的增大而增大。
2.基於無線信號的行為識別
在研究無線感知理論模型的基礎上，結合應用需求，進一步研究動靜檢測、身份識別、呼吸檢測等關鍵技術。
2.1 基於無線感知的動靜檢測
入侵檢測在公共安全領域有着重要的應用價值，高魯棒動靜檢測是其重要基礎。由於無線感知具有的優勢，基於無線信號的動靜檢測方法受到研究者的廣泛關注。在無線感知設備中，由於Wi-Fi具有良好的穿透性，可以提供全方位的覆蓋範圍，因此基於Wi-Fi研製動靜檢測系統。不同於傳統的分析信號波動程度或利用機器學習算法進行模型訓練的方式，創新提出通過分析不同接收天線所接收信號幅值波動間是否存在相位差進行移動物體的檢測，可以有效減弱噪聲、多徑效應以及設備差異對動靜檢測性能的影響。相關工作發表於國際會議ACM UbiComp 2018 [20]。
▲圖15 基於Wi-Fi信號的動靜檢測
2.2 基於無線感知的身份識別
身份識別技術在日常生活中扮演者舉足輕重的作用。現有指紋、虹膜、視頻等識別技術往往需要用户靠近識別設備或者易受遮擋、光線等問題影響，限制了其使用的範圍和可靠性。同時，由於聲波波長遠小於電磁波，所以理論上具備更高的感知“分辨率”。因此，利用普通商用音頻設備，提出了一種基於超聲波信號的細粒度步態特徵分析及身份識別方法。相比現有方法，具有非侵入、低成本和保護隱私等優勢。具體而言，通過對行走時的回波信號進行時頻分析，捕捉身體各個分支的運動狀態，從宏觀和微觀兩個維度提取步頻、步長、步速等細粒度步態特徵，融合多維特徵構建身份識別模型，準確率高達96.6%。相關工作發表在ACM UbiComp 2019 [21]。
▲圖16 基於超聲波身份識別的方法框架
2.2 基於無線感知的呼吸檢測
利用人體呼吸會引發胸脯起伏這一事實，提出了一種基於普通音頻設備的高精度聲波測距方法C-FMCW，利用發送波形與回收波形的互相關性實現信號飛行時間的精確估算，利用揚聲器和麥克風之間的“自干擾”現象消除因採樣率不一致和開機時間不一致引入的測距誤差，利用呼吸所引發胸脯起伏的週期性排除胸腹以外的反射源，有效克服了現有方法測距精度受限於掃頻帶寬（分辨率不足）以及真實環境中存在干擾反射等問題，實現了微小胸脯起伏的精準測量，當設備距離被測者1米之內時。相關成果發表於國際學術會議UbiComp 2018 [22]。
▲圖17 基於精準測距的呼吸檢測
進一步地，鑑於基於胸脯起伏感知而實現的呼吸檢測方法存在一個共性假設，即胸脯起伏是呼吸的可靠表徵。然而，當發生類似阻塞性睡眠呼吸暫停等呼吸事件時，胸脯起伏仍然存在甚至可能更加明顯，但是呼吸已經停止（氣流消失）；當身體覆蓋物交厚實胸脯起伏被完全遮擋。上述兩種情況下，直接測量胸脯起伏的呼吸檢測方法失效。針對此，提出了一種高靈敏度呼吸氣流感知方法，通過建立呼吸氣流散射聲波信號所產生多普勒效應的理論模型，準確刻畫呼吸氣流大小及方向變化與所觀測到多普勒效應之間的對應關係，提出了魯棒可靠的實時多普勒效應提取方法，實現了呼吸氣流的有效檢測。相關成果發表於國際期刊 IEEE Internet of Things [23]。
▲圖18 基於高靈敏度氣流感知的呼吸檢測
三、未來發展趨勢
智能物聯網AIoT 智能物聯網通過各種傳感器聯網實時採集各類數據，進而在終端、邊緣或雲端通過機器學習和數據挖掘方法進行智能化處理和理解；強調雲邊端協同感知（邊緣智能）與分佈式認知計算等能力；目前已逐步融入國家重大需求和民生的各個領域，例如智慧城市、智能製造、無人駕駛、軍事國防、智能家居等。
人工智能2.0-羣體智能 羣體智能是《新一代人工智能發展規劃》的六個重點發展方向之一，是一種通過聚集羣體的智慧解決問題的新模式。羣體智能源於生物學和生態學等領域，其基本思想是：一羣相同的自然生物或人造生物，如螞蟻、蜜蜂、白蟻、魚和鳥等，每一個體擁有的智慧有限，但通過羣體合作能夠實現超越個體行為的集體智慧。
人-機-物異構羣智融合計算 上述技術發展趨勢背景下，計算系統正從信息空間拓展到包含人類社會、信息空間和物理世界的三元世界，人機物三元融合計算成為重要形態。有效協同與融合人機物異質要素，進而構建新型智能感知與計算系統，是解決智能製造、智慧城市、社會治理等國家重大需求的有力支撐。相對於已開展研究，從單純“以人為中心”的羣智感知拓展深化為“人-機-物異構羣智融合計算”，構建具有自組織、分佈式學習等能力的智能感知計算空間，實現智能體個體技能和羣體認知能力的提升，將成為未來的研究熱點。
注1：菲涅爾區模型源於光的干涉和衍射研究，揭示了光從光源到觀察點傳播的物理規律，其中菲涅爾區是指以收發設備兩點為焦點的一系列同心橢圓。由於光的傳播通路長度不同，傳播到第一菲涅爾區的光波與視距路徑（Line-of-Sight, LoS）具有相同相位，導致在觀察點得到疊加增強的信號；傳播到第二菲涅爾區的光波因與LoS相位相反，導致觀察點得到疊加減弱的信號。隨着菲涅爾區的奇偶交替，導致在觀察點得到增強和減弱的干涉疊加結果。
相關文獻
劉雲浩. 羣智感知計算, 中國計算機學會通訊, 2012.
Bin Guo, Zhu Wang, Zhiwen Yu, Yu Wang, Neil Yen, Runhe Huang, Xingshe Zhou. Mobile Crowd Sensing and Computing: The Review of an Emerging Human-Powered Sensing Paradigm, ACM Computing Surveys, vol. 48, no. 1, 2015, pp. 1-31.
Bin Guo, Qi Han, Huihui Chen, Longfei Shangguan, Zimu Zhou, Zhiwen Yu. The Emergence of Visual Crowdsensing: Challenges and Opportunities. IEEE Communications Surveys and Tutorials, vol. 19, no. 4, 2017, pp. 2526-2543.
Ma, H., Zhao, D., & Yuan, P. (2014). Opportunities in mobile crowd sensing. IEEE Communications Magazine, 52(8), 29-35.
Zhiwen Yu, Rong Du, Bin Guo, Huang Xu, Tao Gu, Zhu Wang, and Daqing Zhang. Who Should I Invite for My Party? Combining User Preference and Influence Maximization for Social Events, The 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp 2015), pp. 879-883, September 7-11, 2015, Osaka, Japan.
Yan Liu, Bin Guo, Yang Wang, Wenle Wu, Zhiwen Yu, and Daqing Zhang, TaskMe: Multi-Task Allocation in Mobile Crowd Sensing, The 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp 2016), pp. 403-414, September 12-16, 2016, Heidelberg, Germany.
Liang Wang, Zhiwen Yu, Qi Han, Bin Guo, and Haoyi Xiong. Multi-objective Optimization based Allocation of Heterogeneous Spatial Crowdsourcing Tasks, IEEE Transactions on Mobile Computing, Vol. 17, No. 7, July 2018, pp. 1637-1650.
Bin Guo, Huihui Chen, Qi Han, Zhiwen Yu, Daqing Zhang, and Yu Wang. Worker-Contributed Data Utility Measurement for Visual Crowdsensing Systems, IEEE Transactions on Mobile Computing, Vol. 16, No. 8, August 2017, pp. 2379-2391.
Huihui Chen, Bin Guo, Zhiwen Yu, Liming Chen, and Xiaojuan Ma. A Generic Framework for Constraint-Driven Data Selection in Mobile Crowd Photographing. IEEE Internet of Things Journal, Vol. 4, No. 1, February 2017, pp. 284 - 296.
Zhiwen Yu, Fei Yi, Qin Lv, and Bin Guo. Identifying On-site Users for Social Events: Mobility, Content, and Social Relationship, IEEE Transactions on Mobile Computing, Vol. 17, No. 9, September 2018, pp. 2055-2068.
Bin Guo, Yi Ouyang, Cheng Zhang, Jiafan Zhang, Zhiwen Yu, Xingshe Zhou, and Yu Wang. CrowdStory: Fine-Grained Event Storyline Generation by Fusion of Multi-Modal Crowdsourced Data, The 2017 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp 2017), September 11-15, 2017, Hawaii, USA.
Bin Guo, Jing Li, Vincent Zheng, Zhu Wang, and Zhiwen Yu. CityTransfer: Transferring Inter- and Intra-City Knowledge for Chain Store Site Recommendation based on Multi-Source Urban Data, The 2018 ACM International Joint Conference on Pervasive and Ubiquitous Computing (UbiComp 2018), October 8-12, 2018, Singapore.
Fei Yi, Zhiwen Yu, Fuzhen Zhuang, and Bin Guo. Neural Network based Continuous Conditional Random Field for Fine-grained Crime Prediction, The 28th International Joint Conference on Artificial Intelligence (IJCAI 2019), August 10-16, 2019, Macao, China.
Yimeng Liu, Zhiwen Yu, Bin Guo, Qi Han, Jiangbin Su, and Jiahao Liao. CrowdOS: A Ubiquitous Operating System for Crowdsourcing and Mobile Crowd Sensing, 2019. arXiv:1909.00805.
K. Woyach, D. Puccinelli, and M. Haenggi. Sensorless Sensing in Wireless Networks: Implementation and Measurements. Proc. of the 2nd International Workshop on Wireless Network Measurements and Experimentation (WiNMee ’06), 2006.
M. Youssef, M. Mah, and A. Agrawala. Challenges: Device-free passive localization for wireless environments. Proc. of the 13th Annual International Conference on Mobile Computing and Networking (MobiCom ’07), 2007.
D. Halperin, W. Hu, A. Sheth, and D. Wetherall. Tool release: Gathering 802.11n traces with channel state information. ACM SIGCOMM CCR, 41(1): 53, 2011.
Z. Wang, B. Guo, Z. Yu, and X. Zhou. Wi-Fi CSI-based behavior recognition: From signals and actions to activities. IEEE Communications Magazine, 56 (5), 109-115, 2018.
D. Zhang, H. Wang, and D. Wu. Toward Centimeter-Scale Human Activity Sensing with Wi-Fi Signals. IEEE Computer, 50(1): 48-57, 2017.
T. Xin, B. Guo, Z. Wang, P. Wang, J.C.K. Lam, V. Li, and Z. Yu. FreeSense: a robust approach for indoor human detection using wi-fi signals. Proc. of the 2018 ACM International Joint Conference on Pervasive and Ubiquitous Computing (ACM UbiComp).
Wei Xu, Zhiwen Yu, Zhu Wang, Bin Guo, and Qi Han. AcousticID: Gait-based Human Identification Using Acoustic Signal. Proc. of the 2019 ACM International Joint Conference on Pervasive and Ubiquitous Computing (ACM UbiComp), September 9-13, 2019, London, UK.
Tianben Wang, Daqing Zhang, Yuanqing Zheng, Tao Gu, Xingshe Zhou, Bernadette Dorizzi. C-FMCW Based Contactless Respiration Detection Using Acoustic Signal. Proc. of the 2018 ACM International Joint Conference on Pervasive and Ubiquitous Computing (ACM UbiComp).
Tianben Wang, Daqing Zhang, Leye Wang, Xin Qi, Bernadette Dorizzi, Xingshe Zhou. Contactless Respiration Monitoring using Ultrasound Signal with Off-the-shelf Audio Devices. IEEE Internet of Things Journal[J], Vol. 6, No. 2, pp. 2959-2973, April 2019.