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 wykorzystuje luki w protokole 802.11, aby uzyskać odpowiedzi od urządzeń Wi-Fi w sieci, do której nie mamy dostępu. Następnie wykorzystuje nowatorski schemat pomiaru czasu przelotu, aby zlokalizować te urządzenia.
Wi-Peep działa bez żadnych modyfikacji sprzętowych lub programowych w urządzeniach docelowych i nie wymaga dostępu do fizycznej przestrzeni, w której są one rozmieszczone. Dlatego pieszy lub dron, który nosi urządzenie Wi-Peep, może oszacować lokalizację każdego urządzenia Wi-Fi w budynku.
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.
W ostatnich badaniach zbadano wykorzystanie anten WiFi (czujników 1D) do segmentacji ciała i wykrywania kluczowych punktów ciała. Niniejszy artykuł rozszerza wykorzystanie sygnału WiFi w połączeniu z architekturami głębokiego uczenia, powszechnie stosowanymi w wizji komputerowej, w celu oszacowania gęstej korelacji ludzkiej pozy.
Stworzyliśmy głęboką sieć neuronową, która mapuje fazę i amplitudę sygnałów WiFi na współrzędne UV w obrębie 24 regionów człowieka. Wyniki badań pokazują, że nasz model może oszacować gęstą pozę wielu uczestników, z porównywalną wydajnością do podejść opartych na obrazach, wykorzystując sygnały WiFi jako jedyne dane wejściowe.
W tym przypadku, nieco podobnie jak wcześniej, mierzone są zmiany pomiędzy wysłanym sygnałem a odebranym (chodzi o zmiany w tzw. CSI, patrz również tutaj):
Informacja o stanie kanału (CSI), która reprezentuje stosunek między falą sygnału nadawanego a falą sygnału odbieranego. CSI są złożonymi ciągami dziesiętnymi, które nie mają przestrzennej korespondencji z lokalizacjami przestrzennymi, takimi jak piksele obrazu.
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:

Informacje te mogą pomóc w diagnozowaniu różnych zaburzeń zdrowotnych i chorób. Systemy monitorowania oddechu oparte na Wi-Fi, wykorzystujące urządzenia komercyjne (COTS), mogą zapewnić bezkontaktowe, tanie, proste i skalowalne monitorowanie oddechu bez konieczności stosowania specjalistycznego sprzętu. (…). Zademonstrowaliśmy i oceniliśmy wykonalność monitorowania i wydobywania ruchu oddechowego człowieka z danych Wi-Fi channel state information (CSI).
Ta demonstracja obejmuje wdrożenie systemu end-to-end dla platformy sprzętowej opartej na COTS, oprogramowania sterującego, akwizycji danych i proponowanego algorytmu przetwarzania. Algorytm przetwarzania jest nowatorskim podejściem opartym na głębokim uczeniu, które wykorzystuje małe zmiany w amplitudzie i fazie informacji CSI, aby nauczyć się wysokopoziomowych abstrakcji ruchów klatki piersiowej wywołanych oddychaniem i ujawnić unikalne cechy ich różnicy.
Jak widać, pomieszczenie ma charakter dość testowy, ale jak wskazują badacze – praca daje mocne podstawy do poszerzania efektów na realne sytuacje.