Das Signal endet nicht am Router
Stellen Sie sich vor, ein WLAN-Router verbindet nicht nur Geräte, sondern erkennt Ihre Bewegungen durch Wände hindurch. Ein kürzlich durchgeführter Live-Test demonstrierte dies: Drei etwa 10 Dollar teure ESP32-S3-Boards, die mit Open-Source-Firmware und einem trainierten KI-Modell liefen, klassifizierten die Bewegungen eines Creators – Sitzen, Stehen, Gehen, Hocken – mit einer Genauigkeit von 79,5 %.
Diese Fähigkeit beruht auf Channel State Information (CSI). Wenn Ihr Router ein WLAN-Paket überträgt, teilt er die Daten auf Dutzende verschiedener Unterträger auf. Das empfangende Gerät misst, wie sich die Signalstärke und Phase jedes Unterträgers verändern, während sie reisen und von Wänden, Möbeln und sogar Ihrem Körper reflektiert werden.
Bewegungen verändern diese Signalpfade subtil. Ihr Körper, der größtenteils aus Wasser besteht, absorbiert und reflektiert WLAN-Signale und erzeugt so einzigartige Interferenzmuster, die von den ESP32-S3-Boards erfasst werden. Diese rohen, wellenförmigen Signaldaten werden dann in das KI-Modell eingespeist.
Entscheidend ist, dass dieses System Sie nicht wie eine Kamera „sieht“. Stattdessen leitet es aus diesen Signalveränderungen allgemeine Bewegungsmuster ab. Die KI, die ursprünglich durch die Korrelation von WLAN-Daten mit grundlegenden Pose-Informationen einer Kamera trainiert wurde, lernt, spezifische Aktionen zu erkennen, ohne jemals ein visuelles Bild zu erzeugen.
Wie RuView lernt, einen Raum zu lesen
Der Lernprozess von RuView spiegelt eine Lehrer-Schüler-Dynamik wider. Eine Standard-Webcam, auf der ein Pose Detection Model läuft, fungiert als „Lehrer“ und kennzeichnet menschliche Aktivitäten wie Sitzen oder Gehen. Gleichzeitig zeichnen drei ESP32-S3-Boards Channel State Information (CSI) auf – die subtilen Signalveränderungen, die durch Bewegung verursacht werden – und zwar aus ihren sich überschneidenden WLAN-Pfaden.
Diese CSI-Aufzeichnungen, gepaart mit den Labels der Webcam, trainieren ein zweites KI-Modell. Dieses „Schüler“-Modell lernt, spezifische Aktivitäten allein aus den WLAN-Daten vorherzusagen, wodurch unsichtbare Signalstörungen effektiv in erkennbare Bewegungen übersetzt werden. Sobald das Training abgeschlossen ist, wird die Webcam entfernt, sodass das WLAN-Modell unabhängig arbeiten kann.
Das DIY-Setup des Creators umfasste drei etwa 10 Dollar teure ESP32-S3-Boards, die im Wohnzimmer platziert wurden und mehrere sich überschneidende Signalpfade erzeugten. Es wurden etwa neun Minuten an markierten Bewegungsdaten gesammelt, um dem Modell beizubringen, verschiedene Aktionen zu interpretieren.
Die ersten Ergebnisse zeigten eine starke Leistung bei statischen oder vorhersehbaren Bewegungen:
- Sitzen: 93 % Genauigkeit
- Gehen: 70 % Genauigkeit
- Raum leer: 96 % Genauigkeit
Das Modell hatte jedoch Schwierigkeiten mit kleineren, nuancierteren Gesten und erkannte Winken nur mit einer Genauigkeit von 13 %. Dies deutet darauf hin, dass großflächige Körperbewegungen zwar die WLAN-Signale erheblich verändern, subtile Gliedmaßenbewegungen jedoch möglicherweise keine ausreichende CSI-Störung für eine zuverlässige Erkennung erzeugen.
Die Schlagzeile zur Genauigkeit benötigt ein Warnschild
Ein kritischer Blick auf die gemeldete Genauigkeit von RuView offenbart wichtige Nuancen. Während das Projekt eine Benchmark-Genauigkeit von etwas über 82 % auf dem MM-Fi-Datensatz beansprucht – eine robuste Sammlung von 40 Personen in vier Räumen in Singapur –, erfordern die Ergebnisse des Heimtests eine genauere Prüfung.
Die Prüfer fanden die Testmethodik des Modells etwas optimistisch; sie bewertete die Leistung oft anhand von Beispielen aus denselben Aufzeichnungen, die während des Trainings verwendet wurden. Beim Test in einem unbekannten Raum sank die gemeldete Genauigkeit von RuView auf nur 11 %, was ein erhebliches Generalisierungsproblem verdeutlicht.
Darüber hinaus hat die weit verbreitete virale Demo, die ein Echtzeit-Skelett-Tracking einer Person zeigt, dieses Skelett angeblich aus einem Webcam-Video generiert, wobei der Wi-Fi-Teil simuliert wurde. Dieser wichtige Vorbehalt unterstreicht, dass ein Raum und ein Teilnehmer kein zuverlässiges, allgemeingültiges Tracking etablieren. Für diejenigen, die an der Architektur des Projekts oder der Replikation von Experimenten interessiert sind, bietet das RuView GitHub Repository umfassende Details.
Die Diskrepanz zwischen Benchmark-Behauptungen und der Leistung in der realen Welt unterstreicht die Herausforderung einer robusten Wi-Fi-basierten menschlichen Sensorik. Obwohl die Technologie vielversprechend ist, kämpft sie noch damit, sich an unterschiedliche Umgebungen und Individuen anzupassen.
Gefällt Ihnen der Artikel? Erhalten Sie jeden Morgen einen wie diesen per E-Mail.
eine E-Mail pro Tag · Abmeldung mit zwei Klicks · kein Tracking durch Dritte
Nützlicher Bewegungssensor – oder unsichtbare Überwachung?
Wi-Fi-Sensorik präsentiert eine faszinierende Dualität. Legitime Anwendungen wie kamerafreie Anwesenheitserkennung, Hausalarme und Sturzerkennung bieten erhebliche Vorteile, insbesondere in Umgebungen, in denen Kameras unerwünscht sind. Diese Anwendungen erfordern jedoch strenge Tests und robuste Sicherheitsvorkehrungen, um Missbrauch zu verhindern.
Die Auswirkungen auf die Privatsphäre sind erheblich. Wi-Fi-Signale können einige Wände durchdringen, was eine Anwesenheits- und Bewegungserkennung ermöglicht, ohne identifizierbare Videos aufzuzeichnen. Obwohl dies keine präzise Spionage über beliebige Entfernungen darstellt, wirft es Bedenken hinsichtlich einer unsichtbaren Überwachung auf. Die Technologie könnte sensible Lebensmuster ohne ausdrückliche Zustimmung oder Bewusstsein offenlegen.
Diese Sensorik-Fähigkeit ist kein verdecktes Merkmal alltäglicher Router. Der IEEE 802.11bf-Standard befasst sich spezifisch mit Wi-Fi-Sensorik, aber seine Existenz signalisiert ein Bemühen der Industrie, dedizierte Sensorik-Funktionalitäten zu standardisieren, nicht jedoch, menschliches Tracking über aktuelle, handelsübliche Geräte zu ermöglichen. Praktische Einschränkungen bleiben bestehen: Signifikante Änderungen am Layout eines Raums oder das Hinzufügen weiterer Personen erfordern in der Regel ein erneutes Training des Modells, um die Genauigkeit aufrechtzuerhalten.
Häufig gestellte Fragen
Kann Wi-Fi wirklich Menschen durch Wände erkennen?
Wi-Fi-Signale können einige Wände durchdringen, und Änderungen in diesen Signalen können Anwesenheit oder Bewegung offenbaren. Die Genauigkeit hängt vom Raum, der Hardware und dem Setup ab.
Was ist CSI bei der Wi-Fi-Sensorik?
Channel State Information (CSI) zeichnet auf, wie sich Wi-Fi-Unterträger verändern, während Signale zwischen Geräten übertragen werden, einschließlich Verschiebungen, die durch Objekte oder Personen verursacht werden.
Wie genau war der RuView-Heimtest?
Der Ersteller berichtete von einer Genauigkeit von 79,5 % bei acht Bewegungen in einem separaten Live-Test, aber das Experiment umfasste eine Person, einen Raum und ein dort trainiertes Modell.
Erfordert Wi-Fi-Sensorik eine Kamera?
Eine Kamera kann Labels liefern, um ein Modell zu trainieren, aber sobald es trainiert ist, kann das Sensorik-Modell Vorhersagen allein aus Wi-Fi-Daten treffen.