目前使用WiFi信号的RSS， CSI， AOA,能做写什么？
1）比较常见的是室内定位：有源定位，无源定位（不携带设备）。其中无源定位又分为主动定位和被动定位，主动定位就是
用户积极配合定位，而被动定位就是用户不知道自己被定位，换句话说，用户在没有任何被打扰的情况下提供了
信息来进行定位。
2）动作识别，其中包括粗粒度的动作如running, walking, sit, stand and so on。 细粒度识别一般包括手势识别，击键识别。
更细粒度的包括心跳，呼吸，以及面部情绪，嘴唇识别等。目前都有相应的优秀成果出现。不过这些工作成立的前提都需要
一定的限制条件。对于粗粒度动作识别，目前可以做到独立于位置的粗粒度动作识别（同一个动作，在室内的某些位置，可以识别出来，这里的独立位置也仅仅
只是独立于室内的某些位置）。对于细粒度动作识别，需要对收发设备的距离有限制，一般不会超过5-8m.并且尽可能做到
位于LOS环境下。对于更细粒度的动作如心跳，呼吸等。则需要更加近距离，并且需要高的，稳定的发射数据包率。想获取的更好地效果，
有时候还需要增加额外的设备来做辅助。
3）跟踪，这个一般称为感知行为。跟踪目标对象，一般涉及到位置和方向即需要用到定位的技术以及动作识别的技术。杨峥老师，他们目前在做
这方面的研究，比如估计动作的方向如WiDance；比如估计利用估计速度和位置来跟踪对象如widar。
总结一些面临的问题：
1）室内环境的复杂性，如何评估室内环境与WiFi信号变化的关系，能不能找到一种较好的方法来估计两者的关系。
2）人体的各个部分对WiFi信号的反射不一样，有些研究团队在做动作识别的过程中，探索如何根据不同身体部位对信号
的反射差异来识别人体这个部位并且预测出所做的动作。这里就需要很精细的技术来分离环境对信号的影响，噪音，以及
移动对信号的噪音。换句话说，如何抽取有效的发射信号是一个很重的挑战。
3）针对device-free动作识别，目前大部分都是预先知道识别的动作。根据训练的结果，然后在分类。如果无训练，没有预先知道的动作
该如何去识别动作。虽然有若干个研究团队尝试研究动作与CSI变化的对应模型，但是这个模型的限制条件很高。所以
无训练的动作识别也是一个好的研究问题。或者说研究无训练的动作识别也是一个重要的挑战。
4）独立位置信息的动作识别，这个很有意思。就是无线设备在房间部署好，人在房间内的任何位置，做同一个动作，都能识别。
这个就需要考虑设备的部署问题和位置对动作识别的影响。