La señal no se detiene en el router
Imagina que un router Wi-Fi no solo conecta dispositivos, sino que distingue tus movimientos a través de las paredes. Una prueba reciente en vivo lo demostró: tres placas ESP32-S3 de aproximadamente 10 dólares, ejecutando firmware de código abierto y un modelo de IA entrenado, clasificaron los movimientos de un creador (sentarse, estar de pie, caminar, ponerse en cuclillas) con un 79.5% de precisión.
Esta capacidad proviene de la Channel State Information (CSI). Cuando tu router transmite un paquete Wi-Fi, divide los datos en docenas de subportadoras distintas. El dispositivo receptor mide cómo cambia la intensidad y la fase de la señal de cada subportadora a medida que viajan, rebotando en paredes, muebles e incluso en tu cuerpo.
El movimiento altera sutilmente estas rutas de señal. Tu cuerpo, compuesto mayoritariamente por agua, absorbe y refleja las señales Wi-Fi, creando patrones de interferencia únicos que las placas ESP32-S3 capturan. Estos datos de señal crudos y ondulantes se introducen luego en el modelo de IA.
Fundamentalmente, este sistema no te "ve" como una cámara. En cambio, infiere patrones de movimiento generales a partir de estos cambios en la señal. La IA, entrenada inicialmente correlacionando datos de Wi-Fi con información de pose real obtenida de una cámara, aprende a reconocer acciones específicas sin formar nunca una imagen visual.
Cómo aprende RuView a leer una habitación
El proceso de aprendizaje de RuView refleja una dinámica de profesor-alumno. Una cámara web estándar, ejecutando un pose detection model, actúa como el "profesor", etiquetando actividades humanas como sentarse o caminar. Simultáneamente, tres placas ESP32-S3 registran la Channel State Information (CSI) (los sutiles cambios de señal causados por el movimiento) desde sus rutas Wi-Fi que se cruzan.
Estas grabaciones de CSI, junto con las etiquetas de la cámara web, entrenan a un segundo modelo de IA. Este modelo "alumno" aprende a predecir actividades específicas únicamente a partir de los datos de Wi-Fi, traduciendo eficazmente las interrupciones invisibles de la señal en movimientos reconocibles. Una vez concluido el entrenamiento, se retira la cámara web, dejando que el modelo Wi-Fi opere de forma independiente.
La configuración DIY del creador involucró tres placas ESP32-S3 de aproximadamente 10 dólares colocadas alrededor de una sala de estar, generando múltiples rutas de señal que se cruzan. Se recopilaron aproximadamente nueve minutos de datos de movimiento etiquetados, enseñando al modelo a interpretar diversas acciones.
Los resultados iniciales demostraron un rendimiento sólido para movimientos estáticos o predecibles:
- Sentado: 93% de precisión
- Caminando: 70% de precisión
- Habitación vacía: 96% de precisión
Sin embargo, el modelo tuvo dificultades con gestos más pequeños y matizados, detectando el saludo con solo un 13% de precisión. Esto sugiere que, si bien los movimientos corporales a gran escala alteran significativamente las señales Wi-Fi, las acciones sutiles de las extremidades pueden no generar suficiente perturbación de CSI para una detección confiable.
El titular sobre la precisión necesita una etiqueta de advertencia
Una mirada crítica a la precisión reportada por RuView revela matices importantes. Si bien el proyecto afirma una precisión de referencia de poco más del 82% en el MM-Fi dataset (una colección robusta de 40 personas en cuatro habitaciones en Singapur), los resultados de la prueba en el hogar requieren un examen más detenido.
Los revisores encontraron que la metodología de prueba del modelo era algo optimista; a menudo evaluaba el rendimiento utilizando ejemplos de las mismas grabaciones utilizadas durante el entrenamiento. Cuando se probó en una habitación desconocida, la precisión reportada de RuView se desplomó a un mero 11%, destacando un importante generalization problem.
Además, la demo viral ampliamente difundida, que muestra un esqueleto en tiempo real rastreando a una persona, supuestamente generó ese esqueleto a partir de video de webcam, con la parte de Wi-Fi simulada. Esta advertencia clave subraya que una habitación y un participante no establecen un seguimiento fiable y de propósito general. Para aquellos interesados en la arquitectura del proyecto o en replicar experimentos, el RuView GitHub Repository ofrece detalles completos.
La disparidad entre las afirmaciones de los benchmarks y el rendimiento en el mundo real enfatiza el desafío de una detección humana robusta basada en Wi-Fi. Aunque prometedora, la tecnología todavía lucha por adaptarse a diversos entornos e individuos.
¿Te está gustando? Recibe uno así en tu bandeja cada mañana.
un correo al día · date de baja en dos clics · sin rastreadores de terceros
¿Sensor de movimiento útil o vigilancia invisible?
La detección por Wi-Fi presenta una dualidad fascinante. Aplicaciones legítimas como la detección de ocupación sin cámaras, alarmas domésticas y detección de caídas ofrecen beneficios significativos, particularmente en entornos donde las cámaras no son deseables. Estas aplicaciones, sin embargo, exigen pruebas rigurosas y salvaguardas robustas para evitar el mal uso.
Las implicaciones de privacidad son sustanciales. Las señales Wi-Fi pueden penetrar algunas paredes, permitiendo la detección de presencia y movimiento sin grabar video identificable. Aunque esto no es un espionaje preciso a distancias arbitrarias, plantea preocupaciones sobre la vigilancia invisible. La tecnología podría revelar patrones de vida sensibles sin consentimiento o conocimiento explícito.
Esta capacidad de detección no es una característica encubierta de los routers cotidianos. El estándar IEEE 802.11bf aborda específicamente la detección por Wi-Fi, pero su existencia significa un esfuerzo de la industria para estandarizar funcionalidades de detección dedicadas, no para permitir el seguimiento humano a través de equipos actuales disponibles en el mercado. Persisten limitaciones prácticas: cambios significativos en la disposición de una habitación o la introducción de personas adicionales generalmente requieren volver a entrenar el modelo para mantener la precisión.
Preguntas frecuentes
¿Puede el Wi-Fi realmente detectar personas a través de las paredes?
Las señales Wi-Fi pueden atravesar algunas paredes, y los cambios en esas señales pueden revelar presencia o movimiento. La precisión depende de la habitación, el hardware y la configuración.
¿Qué es CSI en la detección por Wi-Fi?
Channel State Information (CSI) registra cómo cambian las subportadoras de Wi-Fi a medida que las señales viajan entre dispositivos, incluyendo los cambios causados por objetos o personas.
¿Qué tan precisa fue la prueba casera de RuView?
El creador informó una precisión del 79.5% en ocho movimientos en una prueba en vivo separada, pero el experimento involucró a una persona, una habitación y un modelo entrenado allí.
¿La detección por Wi-Fi requiere una cámara?
Una cámara puede proporcionar etiquetas para entrenar un modelo, pero una vez entrenado, el modelo de detección puede hacer predicciones solo a partir de datos Wi-Fi.