Sfruttare le radio mmWave per il rilevamento ambientale interno

The concept of contactless detection of human activity has the potential to revolutionize our interaction with technology and surroundings, enabling remote monitoring systems that are unobtrusive. Mm-Wave reflected radio signals have drawn significant attention from academia and industry due to their ability to detect, track, and analyze human movement and other objects using the radar principle. The high sensitivity and reliability of Mm-Wave frequencies in detecting small-scale movements of the human body, coupled with the non-intrusiveness of these signals, make them a promising technology for applications where privacy is a concern. However, there exist challenges in practical application of this technology, such as the complexity of reflections in real-life environments and limited fov of the radars, requiring tedious investigation. This thesis delves into the Mm-Wave localization and sensing fields, exploring various applications and developing integrated sensing and communication platforms. The research begins with radar-based person tracking using supervised and unsupervised Deep Learning algorithms, that are compared to the literature’s cornerstone algorithm, Kalman filter. An integrated sensing and communication platform using IEEE 802.11ay Access Points is then built for Human Activity Recognition, extracting the micro-Doppler signatures from the training units embedded in the data packets for beam tracking. Finally, a radar network testbed is implemented for sensing applications with multiple objectives, exploiting the strengths of multiple radars and shared field-of-view for distributed and real-time tasks. The thesis provides a comprehensive perspective on Mm-Wave environment sensing, utilizing various hardware and combining standard signal processing techniques and data-driven machine learning techniques to develop algorithms. The results are supported by extensive experimentation with state-of-the-art Mm-Wave radar and Integrated Sensing and Communication testbeds.

Il concetto di rilevamento senza contatto dell'attività umana ha il potenziale di rivoluzionare la nostra interazione con la tecnologia e l'ambiente circostante, consentendo sistemi di monitoraggio remoto che sono non invasivi. I segnali radio riflessi Mm-Wave hanno attirato l'attenzione significativa da parte di accademici e industrie grazie alla loro capacità di rilevare, tracciare e analizzare il movimento umano e altri oggetti utilizzando il principio del radar. L'alta sensibilità e affidabilità delle frequenze Mm-Wave nel rilevare piccoli movimenti del corpo umano, unita alla non invasività di questi segnali, li rendono una tecnologia promettente per le applicazioni in cui la privacy è una preoccupazione. Tuttavia, ci sono sfide nella pratica di questa tecnologia, come la complessità delle riflessioni in ambienti reali e il fov limitato dei radar, che richiedono un'indagine approfondita. Questa tesi approfondisce i campi di localizzazione e rilevamento Mm-Wave, esplorando varie applicazioni e sviluppando piattaforme integrate di rilevamento e comunicazione. La ricerca inizia con il tracciamento di persone basato su radar utilizzando algoritmi di Deep Learning supervisionati e non supervisionati, che vengono confrontati con l'algoritmo fondamentale della letteratura, il filtro di Kalman. Viene quindi costruita una piattaforma di rilevamento e comunicazione integrata utilizzando Access Point IEEE 802.11ay per il riconoscimento dell'attività umana, estraendo le firme micro-Doppler dalle unità di allenamento incorporate nei pacchetti dati per il tracciamento del raggio. Infine, viene implementato un banco di prova di una rete di radar per applicazioni di rilevamento con obiettivi multipli, sfruttando i punti di forza di più radar e il campo di vista condiviso per compiti distribuiti e in tempo reale. La tesi fornisce una prospettiva completa sulla rilevazione dell'ambiente Mm-Wave, utilizzando vari hardware e combinando tecniche standard di elaborazione del segnale e tecniche di apprendimento automatico basate sui dati per sviluppare algoritmi. I risultati sono supportati da un'ampia sperimentazione con i banchi di prova del radar Mm-Wave e di rilevamento e comunicazione integrati all'avanguardia.