LoRa信号检测和跟踪方法涉及多种技术和算法，主要包括以下几个方面：
- 信道活动检测器（CAD） ：CAD是一种用于检测LoRa信号的存在的重要技术。CAD通过快速扫描频段来检测LoRa数据包的前导码，这种方法比传统的RSSI方法更快、更可靠，适用于低功耗设备在深度睡眠模式下的唤醒。CAD模式能够有效地检测无线信道上的LoRa前导码，从而实现对信道的实时监测。
- 信号强度指示器（RSSI） ：RSSI常用于评估接收到的信号强度，从而判断LoRa信号的存在。然而，在复杂的电磁环境中，尤其是在低信噪比条件下，基于RSSI的方法可能会受到干扰，导致识别性能下降。因此，一些系统结合了CAD和RSSI的方法，以提高检测的准确性和鲁棒性。
- 基于统计机器学习的信号检测：这种方法利用统计机器学习模型对信号进行分析，以识别LoRa信号。例如，通过提取信号的特征并使用KNN模型和逻辑回归模型进行分类，可以有效地识别合法设备和异常设备。此外，基于深度学习的方法也被用于自动检测LoRa信号，这些方法不需要复杂的信号处理，计算开销较低。
- 相位对齐和频率包络跟踪：为了消除由于正交切换引起的误报，可以采用两步相位对齐算法。首先检查每个LoRa符号的边界，并调整剩余信号样本的相位以使其与前一个LoRa符号的相位对齐。然后通过重建载波符号来定位由频率包络引起的相位跳跃，从而实现对LoRa回传信号的检测。
- 多符号速率检测：在多符号速率下，通过持续监测输入信号的RSSI信号强度来评估信号的能量大小，并根据能量阈值判断是否存在LoRa数据。这种方法能够即时识别移动方向，并通过不同数量的信号样本进行行走方向估计。
- 基于物理指纹的识别：利用差分星座轨迹图等物理指纹技术，可以提取设备相关的特征，并评估频率误差、同步相关性、I/Q原点偏移、幅度误差和相位误差等参数，从而实现对LoRa信号的精确识别。
LoRa信号检测和跟踪方法涵盖了从硬件到软件的多种技术手段，包括CAD、RSSI、机器学习、相位对齐、多符号速率检测以及物理指纹识别等。这些方法各有优缺点，在实际应用中可以根据具体需求选择合适的方案。
一、 LoRa信号检测中CAD技术的最新进展
LoRa信号检测中CAD(Channel Activity Detection)技术的最新进展主要集中在以下几个方面：
1. CAD机制的优化与改进：
FT-CSMA协议：FT-CSMA是一种现代化的信道活动检测协议，旨在优化LoRa技术在物联网(IoT)生态系统中的应用。该协议强调选择合适的CAD编号、确定适当的CAD持续时间以及引入回退延迟的重要性。通过NS3仿真器验证，FT-CSMA在Packet Delivery Ratio(PDR)上提高了约5%，能量效率提升了高达2%，同时不显著降低延迟。
LoRadar技术：Yu等人提出了一种新的CAD操作研究，指出CAD可能会产生误报，特别是在窄带内检测到不同SF和BW的信号时。他们提出了LoRadar，一种跨信道扫描方法，通过多次连续CAD的结果分布来区分有效信道，并将CAD本身的时间缩短到一个符号，并在之前进行RSSI测量以提高可信度。这种方法实现了与传统CAD机制相比检测时间减少90%的准确性。
2. CAD在不同环境下的表现：
CAD在室内和室外环境中的效率：研究表明，CAD在室内和室外环境下的平均效率分别为98%和94%，SNR范围在-15 dB至+15 dB之间。此外，CAD在空闲和传输状态下的电流消耗分别为0.03 W和0.029 mJ，表明其对能量的消耗相对较低。
CAD在非视距（NLOS）条件下的表现：实验结果显示，在超过400米的距离时，CAD在非视距条件下的可靠性会下降，尤其是在超过1290米时，CAD无法可靠地检测整个传输过程。
3. CAD机制的物理层特性适应性：
CAD机制能够适应LoRa调制的独特物理层特性，使其在LoRaWAN网络中具备缺失的载波感知能力。CAD具有SF选择性，仅检测指定SF内的传输，对不同SF内的其他传输不敏感。
SX1276/77/78/79模块在CAD模式下快速扫描频段以检测LoRa数据包的前导码，通过PLL锁定、接收LoRa前导码符号并消耗指定Rx模式电流，然后关闭无线电和PLL开始数字处理。该过程耗时略少于一个符号周期，从而减少了无线电电流消耗。
4. CAD机制在实际应用中的挑战：
在城市环境中，CAD失败率接近70%，这严重影响了CSMA的性能和实用性。由于CAD失败率高，网关无法有效通知所有IoT设备正在进行的传输，削弱了CSMA的功能。
新一代LoRa模块不仅在前缀部分，也在有效载荷部分支持CAD机制，这为攻击者提供了在LoRaWAN数据包发送过程中实施反应式干扰器攻击的可能性。
LoRa信号检测中CAD技术的最新进展包括FT-CSMA协议的引入、LoRadar技术的应用、CAD在不同环境下的表现优化以及对物理层特性的适应性改进。
二、 基于RSSI的LoRa信号检测的准确性和鲁棒性如何提高?
在复杂电磁环境中，提高基于RSSI的LoRa信号检测的准确性和鲁棒性需要综合考虑多个因素和采取多种技术手段。以下是详细的建议：
1. 校准和模型优化：
校准LoRa设备是提高RSSI测量准确性的关键步骤。由于LoRa设备提供的RSSI数据存在高误差，有时误差可达20dB，这影响了路径损耗估计的准确性。通过校准，可以减少这些误差，提高RSSI测量的可靠性。
使用优化模型来提高信号强度(RSSI)的估计精度。例如，通过优化模型设定FSPL参数，并结合线性回归和多项式回归等方法，可以显著提高模型性能。
2. 多斜率模型和环境参数：
在不同环境中，使用多斜率模型比单斜率模型更有效，因为LoRa系统的覆盖范围广泛，保持所有位置的对数距离参数不变是不现实的。多斜率模型有助于捕捉同一区域内不同位置信号传播的细微变化，减少预测误差。
包含特定于环境参数的模型能更好地与观测数据对齐，特别是在植被环境中。经验模型应包含环境参数，以确保跨不同区域的适用性。
3. 机器学习技术：
利用机器学习技术评估模型参数与环境因素之间的关系，可以学习非线性关系，从而提高模型的预测准确性。例如，采用多层感知器(MLP)架构和超参数调整，可以实现轻量、快速且准确的模型。
4. 卡尔曼滤波器：
在非视距(NLOS)环境中，障碍物会产生非常干扰性的信号。采用卡尔曼滤波器来过滤LoRa RSSI值中的噪声，可以有效减少噪声干扰，提高信号检测的准确性。
5. 改进定位算法：
使用基于期望信号功率(ESP)的三边定位方法，可以捕捉信号能量，从而提高定位精度。ESP方法比传统的RSSI方法更能准确反映信号的实际强度，尤其是在阴影效应和多径效应显著的情况下。
6. 调整系统参数：
增加扩展因子(SF)可以降低平均RSSI值，提高信号稳定性和强度。同时，调整带宽和编码率也能影响RSSI和信噪比(SNR)，从而优化信号传输质量。
7. 实验验证和数据收集：
进行详细的实验验证，如在不同场景下记录RSSI信号值，并分析其变化规律。通过收集大量数据并进行分析，可以更好地理解信号传播特性，并据此优化模型。
三、 相位对齐和频率包络跟踪在LoRa信号检测中的方法
在LoRa信号检测中，相位对齐和频率包络跟踪是两个关键步骤，用于提高信号的解调精度和减少误报。以下是具体的实现方法：
1. 相位对齐
两步相位对准算法：
第一步：接收器检查每个LoRa符号在接收信号中的边界，将剩余信号样本的相位进行适当调整，使其与前一个LoRa符号的相位样本相匹配。
第二步：通过重建载波符号来定位由频率包络引起的相位跳跃。最后，消除由频率包络引起的相位跳跃，仅保留由背散射信号引起的真阳性结果。
基于超采样的相位对齐方法：
使用低通滤波器和超采样技术，将LoRa符号中的两个调频段分离并重新组合，从而实现更稳定的去调频效果。
当调频窗口与信号完美对齐时，上调频和下调频的峰值将在相同频率下出现，无论载波频率偏移(CFO)如何，这为实现准确的对齐提供了基础。
相位校正：
在调试过程中发现LoRa解调存在1或2位错误，可能是由于USRP本地振荡器(LO)的采样频率偏移导致的。为了减少这种错误的影响，我们决定对相位进行校正，因为两个具有相同初始频率的LoRa符号必须在每个样本中具有相同的相位。我们通过计算相位差来校正相位，并对所有前导符号取平均值。
2. 频率包络跟踪
窗口对齐技术：
结合SFD(序列前导码)中的下调频和前导码中的上调频，实现精确的对齐。当调频窗口与信号完美对齐时，上调频和下调频的峰值将在相同频率下出现，无论载波频率偏移(CFO)如何。
频谱合并方法：
为了解决LoRa载荷调制的周期性频率偏移问题，提出了一种频谱合并方法。对于采样率高于LoRa带宽两倍的情况，通过翻转频谱并叠加以聚集两个FFT峰值的能量。对于采样率低于LoRa带宽的情况，提出了一种采样控制策略，通过设置采样率为Δf的整数部分，使50Δf和50Δf-Δf的峰值在频谱中出现相同位置，然后翻转频谱并补偿峰值相位，以有效集中载荷信号的能量。
基于预估的调整方法：
在接收机侧，通过检测相关结果峰值来对齐解调窗口与传入LoRa数据包开始的方法。具体而言，通过控制数据包的前缀长度，生成一对同类型和不同类型的信道波形的叠加，从而产生一个频率随时间变化的包络信号。通过与这种频率变化的包络信号进行交叉相关，可以将小的时间偏移转换为显著的相关系数变化。
四、 物理指纹技术在LoRa信号识别中的应用
物理指纹技术在LoRa信号识别中的应用案例主要集中在以下几个方面：
1. 基于监督和零样本学习的LoRa设备指纹识别：
Pieter Robyns等人提出了一种新的方法，通过监督机器学习和零样本图像分类技术来对LoRa设备进行物理层指纹识别。这种方法不依赖于局部化和低维特征，而是使用整个信号进行分析。实验表明，相同芯片组的设备可以以59%到99%的准确率进行区分，而不同供应商的芯片组则可以以99%到100%的准确率进行指纹识别。
2. 差分星座轨迹图的LoRa设备识别：
Yu Jiang和Linning P提出了一种基于物理层指纹识别的LoRa设备识别方法，该方法通过建立差分星座轨迹图，并利用基于欧几里得距离的聚类中心分类方法来实现对不同LoRa设备的有效识别。即使在低信噪比环境下，这种方法也能准确区分和识别六种LoRa传输模块。
3. 基于LightGBM的LoRa室外指纹定位算法：
庞成鑫等人设计了一种基于LightGBM(Light Gradient Boosting Machine)的室外指纹定位算法，用于提高低功耗物联网定位精度与实用性。实验结果表明，该算法的平均定位精度达到了90米左右，相比传统的KNN和BP神经网络方法，定位精度提高了约35%，并且具有较好的实用性。
4. 基于LoRa信号的长距离室内定位研究：
唐周益丹和姜宁康的研究中，通过采集各个参考点的信号强度和坐标，构建位置指纹数据库，并利用这些指纹进行室内定位。实验中使用SX1276接收器每隔0.5秒测量一次信号强度，采集时间为30秒，最终将60组信号强度取平均值作为参考点处的信号强度。
