Badacze: zwykłe routery WiFi są w stanie „widzieć” osoby przebywające w danym pomieszczeniu.

Wersja clickbaitowa: „dzięki WiFi można widzieć przez ściany„. No dobra, przez ściany nie można widzieć z wykorzystaniem WiFi, ale być może osiągnięcie tego celu jest blisko.

Pod koniec zeszłego roku pokazano drona, który jest w stanie „widzieć” urządzenia WiFi, które znajdują się za ścianą budynku. „Widzieć”, w sensie wskazać ich dokładną lokalizację fizyczną z dokładnością do paru metrów. Jak czytamy w stosownej pracy:

Wi-Peep exploits loopholes in the 802.11 protocol to elicit responses from Wi-Fi devices on a network that we do not have access to. It then uses a novel time-of-flight measurement scheme to locate these devices. Wi-Peep works without any hardware or software modifications on target devices and without requiring access to the physical space that they are deployed in. Therefore, a pedestrian or a drone that carries a Wi-Peep device can estimate the location of every Wi-Fi device in a building.

Z powyższego możecie wyczytać, że całość opiera się na mierzeniu czasu (time-of-flight), po którym dostaniemy odpowiedź na wysłaną przez nas komunikację radiową.

Nieco później pokazała się inna praca, umożliwiająca – po sprzęgnięciu z AI – wykryć lokalizację / pozy osób znajdujących się w pomieszczeniu, w którym znajdowały się odpowiednio przygotowane routery WiFi.

recent research has explored the use of WiFi antennas (1D sensors) for body segmentation and key-point body detection. This paper further expands on the use of the WiFi signal in combination with deep learning architectures, commonly used in computer vision, to estimate dense human pose correspon- dence. We developed a deep neural network that maps the phase and amplitude of WiFi signals to UV coordinates within 24 human regions. The results of the study reveal that our model can estimate the dense pose of multiple subjects, with comparable performance to image-based approaches, by utilizing WiFi signals as the only input.

W tym przypadku, nieco podobnie jak wcześniej, mierzone są zmiany pomiędzy wysłanym sygnałem a odebranym (chodzi o zmiany w tzw. CSI, patrz również tutaj):

Channel-state-information (CSI) that represents the ratio between the transmitted signal wave and the received signal wave. The CSIs are complex decimal sequences that do not have spatial correspondence to spatial locations, such as the image pixels.

Przechodząc do rzeczy wygląda to tak. Mamy w pomieszczeniu kilka urządzeń monitorujących (domowych routerków WiFi z odpowiednim oprogramowaniem), a całość może namierzać kilka osób jednocześnie:

Efekt jest całkiem niezły, chociaż pojawiają się też błędy – np. artefakty w czwartym i piątym wierszu poniżej:

Badacze zaznaczają, że błędy mogą pojawiać się np. w związku ze słabym treningiem modelu AI. No tak, dobry trening sztucznej inteligencji to podstawa. Bez niego mogą wychodzić różne kwiatki, czy łososie:

Wracając do rzeczy, możecie powiedzieć – nie no, ci badacze to randomy, ciężko powiedzieć czy ta praca ma w rzeczywistości jakąś wartość. Popatrzcie zatem na publikację cytowaną przez renomowaną organizację – NIST. Tym razem badacze pokazali jak podobną techniką (mierzenie sygnału routerami WiFi) można w pomieszczeniu wykryć osobę, która ma problemy z oddychaniem. Poniżej pokój, w którym wykonywano eksperyment:

Ten sam pokój w formie szkicu:

This information may help in the diagnosis of different health disorders and diseases. Wi-Fi-based respiratory monitoring schemes utilizing commercial off-the-shelf (COTS) devices can provide contactless, low-cost, simple, and scalable respiratory monitoring without requiring specialized hardware. (…). We demonstrated and assessed the feasibility of monitoring and extracting human respiratory motion from Wi-Fi channel state information (CSI) data. This demonstration involves implementing an end-to-end system for a COTS-based hardware platform, control software, data acquisition, and a proposed processing algorithm. The processing algorithm is a novel deep-learning-based approach that exploits small changes in both CSI amplitude and phase information to learn high-level abstractions of breathing-induced chest movements and to reveal the unique characteristics of their difference.

Jak widać, pomieszczenie ma charakter dość testowy, ale jak wskazują badacze – praca daje mocne podstawy do poszerzania efektów na realne sytuacje.

~ms