Le signal ne s'arrête pas au routeur
Imaginez un routeur Wi-Fi qui ne se contente pas de connecter des appareils, mais qui discerne vos mouvements à travers les murs. Un test en direct récent l'a démontré : trois cartes ESP32-S3 à environ 10 $ chacune, exécutant un firmware open-source et un modèle d'IA entraîné, ont classé les mouvements d'un créateur (s'asseoir, se tenir debout, marcher, s'accroupir) avec une précision de 79,5 %.
Cette capacité découle du Channel State Information (CSI). Lorsqu'un routeur transmet un paquet Wi-Fi, il divise les données sur des dizaines de sous-porteuses distinctes. L'appareil récepteur mesure la force et le déphasage du signal de chaque sous-porteuse à mesure qu'ils voyagent, rebondissant sur les murs, les meubles et même votre corps.
Le mouvement altère subtilement ces trajets de signal. Votre corps, composé en grande partie d'eau, absorbe et réfléchit les signaux Wi-Fi, créant des modèles d'interférence uniques que les cartes ESP32-S3 capturent. Ces données de signal brutes et ondulantes sont ensuite transmises au modèle d'IA.
Il est crucial de noter que ce système ne vous « voit » pas comme une caméra. Au lieu de cela, il déduit des modèles de mouvement globaux à partir de ces changements de signal. L'IA, initialement entraînée en corrélant les données Wi-Fi avec des informations de pose réelles provenant d'une caméra, apprend à reconnaître des actions spécifiques sans jamais former d'image visuelle.
Comment RuView apprend à lire une pièce
Le processus d'apprentissage de RuView reflète une dynamique enseignant-élève. Une webcam standard, exécutant un pose detection model, agit comme « l'enseignant », étiquetant les activités humaines comme s'asseoir ou marcher. Parallèlement, trois cartes ESP32-S3 enregistrent le Channel State Information (CSI) — les changements de signal subtils causés par le mouvement — à partir de leurs trajets Wi-Fi entrecroisés.
Ces enregistrements CSI, associés aux étiquettes de la webcam, entraînent un second modèle d'IA. Ce modèle « élève » apprend à prédire des activités spécifiques uniquement à partir des données Wi-Fi, traduisant efficacement les perturbations invisibles du signal en mouvements reconnaissables. Une fois l'entraînement terminé, la webcam est retirée, laissant le modèle Wi-Fi fonctionner de manière indépendante.
La configuration DIY du créateur impliquait trois cartes ESP32-S3 à environ 10 $ positionnées autour d'un salon, générant de multiples trajets de signal entrecroisés. Environ neuf minutes de données de mouvement étiquetées ont été collectées, apprenant au modèle à interpréter diverses actions.
Les résultats initiaux ont démontré une performance solide pour les mouvements statiques ou prévisibles :
- Assis : 93 % de précision
- Marche : 70 % de précision
- Pièce vide : 96 % de précision
Cependant, le modèle a eu du mal avec des gestes plus petits et plus nuancés, ne détectant les salutations qu'avec 13 % de précision. Cela suggère que si les mouvements corporels à grande échelle altèrent considérablement les signaux Wi-Fi, les actions subtiles des membres peuvent ne pas générer une perturbation CSI suffisante pour une détection fiable.
Le titre sur la précision nécessite une mise en garde
Un examen critique de la précision rapportée par RuView révèle des nuances importantes. Bien que le projet revendique une précision de référence d'un peu plus de 82 % sur le MM-Fi dataset — une collection robuste provenant de 40 personnes dans quatre pièces à Singapour — les résultats des tests à domicile méritent une inspection plus approfondie.
Les examinateurs ont trouvé la méthodologie de test du modèle quelque peu optimiste ; elle évaluait souvent les performances en utilisant des exemples issus des mêmes enregistrements que ceux utilisés pendant l'entraînement. Lorsqu'il a été testé dans une pièce inconnue, la précision rapportée de RuView a chuté à seulement 11 %, soulignant un important generalization problem.
De plus, la démo virale largement diffusée, montrant un suivi de squelette en temps réel d'une personne, aurait généré ce squelette à partir d'une vidéo de webcam, la partie Wi-Fi étant simulée. Cette mise en garde essentielle souligne qu'une seule pièce et un seul participant ne permettent pas d'établir un suivi fiable et polyvalent. Pour ceux qui s'intéressent à l'architecture du projet ou à la reproduction des expériences, le RuView GitHub Repository offre des détails complets.
La disparité entre les résultats des tests de référence et les performances réelles souligne le défi que représente une détection humaine robuste basée sur le Wi-Fi. Bien que prometteuse, la technologie peine encore à s'adapter à des environnements et des individus variés.
Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.
un e-mail par jour · désinscription en deux clics · aucun traqueur tiers
Capteur de mouvement utile ou surveillance invisible ?
La détection Wi-Fi présente une dualité fascinante. Des applications légitimes comme la détection d'occupation sans caméra, les alarmes domestiques et la détection de chutes offrent des avantages significatifs, en particulier dans les environnements où les caméras ne sont pas souhaitables. Ces applications exigent cependant des tests rigoureux et des garanties solides pour éviter tout abus.
Les implications en matière de confidentialité sont considérables. Les signaux Wi-Fi peuvent traverser certains murs, permettant de détecter la présence et les mouvements sans enregistrer de vidéo identifiable. Bien qu'il ne s'agisse pas d'espionnage précis à des distances arbitraires, cela soulève des inquiétudes concernant la surveillance invisible. La technologie pourrait révéler des habitudes de vie sensibles sans consentement ou connaissance explicite.
Cette capacité de détection n'est pas une fonctionnalité cachée des routeurs courants. La norme IEEE 802.11bf traite spécifiquement de la détection Wi-Fi, mais son existence témoigne d'un effort de l'industrie pour normaliser des fonctionnalités de détection dédiées, et non pour permettre le suivi des personnes via des équipements actuels disponibles dans le commerce. Des limites pratiques subsistent : des changements importants dans la disposition d'une pièce ou l'introduction de personnes supplémentaires nécessitent généralement un réentraînement du modèle pour maintenir la précision.
Foire aux questions
Le Wi-Fi peut-il vraiment détecter des personnes à travers les murs ?
Les signaux Wi-Fi peuvent traverser certains murs, et les changements dans ces signaux peuvent révéler une présence ou un mouvement. La précision dépend de la pièce, du matériel et de la configuration.
Qu'est-ce que le CSI dans la détection Wi-Fi ?
Le Channel State Information (CSI) enregistre la façon dont les sous-porteuses Wi-Fi changent à mesure que les signaux voyagent entre les appareils, y compris les décalages causés par des objets ou des personnes.
Quelle était la précision du test domestique RuView ?
Le créateur a rapporté une précision de 79,5 % sur huit mouvements lors d'un test en direct distinct, mais l'expérience impliquait une seule personne, une seule pièce et un modèle entraîné sur place.
La détection Wi-Fi nécessite-t-elle une caméra ?
Une caméra peut fournir des étiquettes pour entraîner un modèle, mais une fois entraîné, le modèle de détection peut effectuer des prédictions à partir des seules données Wi-Fi.