信号はルーターで止まらない
Wi-Fiルーターがデバイスを接続するだけでなく、壁越しにあなたの動きを識別していると想像してみてください。最近のライブテストでは、オープンソースのファームウェアと学習済みAIモデルを搭載した約10ドルのESP32-S3ボード3枚を使用し、作成者の動き（座る、立つ、歩く、しゃがむ）を79.5%の精度で分類しました。
この機能はChannel State Information (CSI)に基づいています。ルーターがWi-Fiパケットを送信する際、データは数十の異なるサブキャリアに分割されます。受信デバイスは、各サブキャリアの信号強度と位相が、壁や家具、さらには人体に反射して移動する際にどのように変化するかを測定します。
動きはこれらの信号経路を微妙に変化させます。大部分が水分である人体はWi-Fi信号を吸収・反射し、ESP32-S3ボードが捉える独自の干渉パターンを作り出します。この生の波打つような信号データがAIモデルに送られます。
重要なのは、このシステムはカメラのようにあなたを「見て」いるわけではないということです。代わりに、信号の変化から大まかな動きのパターンを推測します。AIは、Wi-Fiデータとカメラからの正確な姿勢情報を関連付けることで学習し、視覚的な画像を生成することなく特定の動作を認識できるようになります。
RuViewが部屋の状況を読み取る仕組み
RuViewの学習プロセスは、教師と生徒の関係に似ています。pose detection modelを実行する標準的なウェブカメラが「教師」として機能し、座る、歩くといった人間の活動にラベルを付けます。同時に、3枚のESP32-S3ボードが、交差するWi-Fi経路から動きによって生じる微妙な信号変化であるChannel State Information (CSI)を記録します。
これらのCSI記録とウェブカメラのラベルを組み合わせて、2つ目のAIモデルを学習させます。この「生徒」モデルは、Wi-Fiデータのみから特定の活動を予測することを学び、目に見えない信号の乱れを認識可能な動きへと変換します。学習が完了するとウェブカメラは取り外され、Wi-Fiモデルが単独で動作するようになります。
作成者のDIYセットアップでは、リビングルームの周囲に配置された約10ドルのESP32-S3ボード3枚を使用し、複数の交差する信号経路を生成しました。約9分間のラベル付き動作データが収集され、モデルにさまざまな動作を解釈する方法を学習させました。
初期の結果では、静的または予測可能な動きに対して高いパフォーマンスが示されました：
- 座る：93%の精度
- 歩く：70%の精度
- 部屋が無人：96%の精度
しかし、モデルはより小さく微妙なジェスチャーの検知には苦戦しており、手を振る動作の検知精度はわずか13%でした。これは、大規模な身体の動きはWi-Fi信号を大きく変化させますが、手足の微妙な動きでは信頼性の高い検知に必要なCSIの乱れが十分に生成されない可能性があることを示唆しています。
精度の見出しには注意書きが必要
RuViewが報告した精度を批判的に見ると、重要なニュアンスが浮かび上がります。このプロジェクトは、シンガポールの4つの部屋で40人を対象とした堅牢なデータセットであるMM-Fi datasetにおいて82%強のベンチマーク精度を主張していますが、家庭でのテスト結果にはより詳細な検証が必要です。
レビュー担当者は、モデルのテスト手法がやや楽観的であると指摘しました。学習に使用したのと同じ記録からの例を使ってパフォーマンスを評価することが多かったためです。未知の部屋でテストした際、RuViewの報告精度はわずか11%まで急落し、深刻なgeneralization problem（汎化問題）が浮き彫りになりました。
さらに、広く拡散されたバイラルデモでは、リアルタイムで人物の骨格を追跡する様子が紹介されていましたが、報告によるとその骨格はウェブカメラの映像から生成されたものであり、Wi-Fi部分はシミュレーションであったとのことです。この重要な注意点は、1つの部屋と1人の参加者だけでは、信頼性の高い汎用的な追跡は確立できないことを強調しています。プロジェクトのアーキテクチャや実験の再現に関心がある方は、RuView GitHub Repositoryで詳細を確認できます。
ベンチマークの主張と実際のパフォーマンスとの乖離は、堅牢なWi-Fiベースの人間センシングの難しさを浮き彫りにしています。この技術は有望ではありますが、多様な環境や個人に適応するという課題に依然として直面しています。
この記事が気に入ったら、毎朝同じようなものをメールで受け取れます。
1日1通 · 2クリックで解除 · サードパーティのトラッキングなし
便利なモーションセンサーか、それとも目に見えない監視か？
Wi-Fiセンシングは魅力的な二面性を持っています。カメラ不要の在室検知、ホームアラーム、転倒検知といった正当な用途は、特にカメラの設置が望ましくない環境において大きなメリットをもたらします。しかし、こうした用途には、悪用を防ぐための厳格なテストと堅牢な保護対策が不可欠です。
プライバシーへの影響は甚大です。Wi-Fi信号は一部の壁を透過できるため、識別可能な映像を記録することなく、存在や動きを検知することが可能です。これは任意の距離から正確に盗聴するようなものではありませんが、目に見えない監視に対する懸念を引き起こします。この技術は、本人の明示的な同意や認識なしに、生活の機微なパターンを明らかにしてしまう可能性があります。
このセンシング機能は、日常的なルーターに隠された機能というわけではありません。IEEE 802.11bf規格はWi-Fiセンシングに特化したものですが、その存在は、既存の市販機器で人間を追跡できるようにするためではなく、専用のセンシング機能を標準化しようとする業界の取り組みを意味しています。実用上の制限は依然として残っており、部屋のレイアウトの大幅な変更や人数の増加が生じた場合、精度を維持するには通常モデルの再学習が必要となります。
よくある質問
Wi-Fiで壁越しに人を検知することは本当に可能ですか？
Wi-Fi信号は一部の壁を通過することができ、その信号の変化によって存在や動きを明らかにすることができます。精度は部屋の環境、ハードウェア、設定に依存します。
Wi-FiセンシングにおけるCSIとは何ですか？
Channel State Information (CSI) は、信号がデバイス間を移動する際にWi-Fiサブキャリアがどのように変化するかを記録したもので、物体や人によって引き起こされる変化も含まれます。
RuViewの家庭内テストの精度はどの程度でしたか？
作成者は別のライブテストにおいて8つの動作で79.5%の精度を報告しましたが、その実験は1人の人間、1つの部屋、そしてその環境で学習させたモデルを用いたものでした。
Wi-Fiセンシングにはカメラが必要ですか？
モデルを学習させるためにカメラでラベル付けを行うことはありますが、一度学習してしまえば、センシングモデルはWi-Fiデータのみから予測を行うことができます。