신호는 라우터에서 멈추지 않습니다
Wi-Fi 라우터가 단순히 기기를 연결하는 것을 넘어 벽 너머의 움직임까지 파악한다고 상상해 보세요. 최근 진행된 실시간 테스트에서 이를 입증했습니다. 약 10달러 상당의 ESP32-S3 보드 3개에 오픈 소스 펌웨어와 학습된 AI 모델을 구동하여 앉기, 서기, 걷기, 쪼그려 앉기 등 제작자의 움직임을 79.5%의 정확도로 분류해 냈습니다.
이 기능은 Channel State Information (CSI)에서 비롯됩니다. 라우터가 Wi-Fi 패킷을 전송할 때 데이터를 수십 개의 개별 부반송파로 나눕니다. 수신 기기는 각 부반송파의 신호 강도와 위상이 벽, 가구, 심지어 사람의 몸에 반사되어 이동할 때 어떻게 변화하는지를 측정합니다.
움직임은 이러한 신호 경로를 미세하게 변화시킵니다. 주로 물로 구성된 인체는 Wi-Fi 신호를 흡수하고 반사하여 ESP32-S3 보드가 포착할 수 있는 고유한 간섭 패턴을 만듭니다. 이렇게 수집된 원시 신호 데이터는 AI 모델로 전달됩니다.
중요한 점은 이 시스템이 카메라처럼 당신을 '보는' 것이 아니라는 것입니다. 대신 신호 변화를 통해 광범위한 움직임 패턴을 추론합니다. 카메라의 실제 자세 정보와 Wi-Fi 데이터를 연관시켜 학습된 AI는 시각적 이미지를 생성하지 않고도 특정 동작을 인식하는 법을 배웁니다.
RuView가 방 안의 상황을 읽는 법
RuView의 학습 과정은 교사와 학생의 관계와 비슷합니다. pose detection model을 실행하는 일반 웹캠이 '교사' 역할을 하여 앉거나 걷는 등의 인간 활동에 라벨을 붙입니다. 동시에 3개의 ESP32-S3 보드가 교차하는 Wi-Fi 경로에서 움직임으로 인해 발생하는 미세한 신호 변화인 Channel State Information (CSI)를 기록합니다.
이 CSI 기록은 웹캠의 라벨과 결합되어 두 번째 AI 모델을 학습시킵니다. 이 '학생' 모델은 Wi-Fi 데이터만으로 특정 활동을 예측하는 법을 배우며, 보이지 않는 신호 교란을 인식 가능한 움직임으로 효과적으로 변환합니다. 학습이 완료되면 웹캠은 제거되고 Wi-Fi 모델이 독립적으로 작동하게 됩니다.
제작자의 DIY 설정에는 거실 곳곳에 배치된 약 10달러짜리 ESP32-S3 보드 3개가 포함되어 여러 개의 교차 신호 경로를 생성했습니다. 약 9분 분량의 라벨링된 움직임 데이터가 수집되어 모델이 다양한 동작을 해석하도록 학습되었습니다.
초기 결과는 정적이거나 예측 가능한 움직임에서 강력한 성능을 보였습니다:
- 앉기: 93% 정확도
- 걷기: 70% 정확도
- 빈 방: 96% 정확도
그러나 모델은 더 작고 미묘한 제스처를 인식하는 데 어려움을 겪었으며, 손 흔들기 동작은 13%의 정확도만 기록했습니다. 이는 대규모 신체 움직임은 Wi-Fi 신호를 크게 변화시키지만, 미세한 팔다리 동작은 신뢰할 수 있는 감지를 위한 충분한 CSI 교란을 생성하지 못할 수 있음을 시사합니다.
정확도 수치에는 경고 라벨이 필요합니다
RuView가 보고한 정확도를 비판적으로 살펴보면 중요한 차이점이 드러납니다. 이 프로젝트는 싱가포르의 4개 방에서 40명을 대상으로 수집된 방대한 데이터셋인 MM-Fi dataset에서 82%가 넘는 벤치마크 정확도를 주장하지만, 가정 내 테스트 결과는 더 면밀한 검토가 필요합니다.
검토자들은 모델의 테스트 방법론이 다소 낙관적이라고 평가했습니다. 학습에 사용된 기록과 동일한 샘플을 사용하여 성능을 평가하는 경우가 많았기 때문입니다. 낯선 방에서 테스트했을 때 RuView의 정확도는 11%로 급락했으며, 이는 심각한 generalization problem(일반화 문제)을 보여줍니다.
게다가 실시간 골격 추적 기능을 선보여 널리 퍼진 바이럴 데모는 웹캠 영상에서 골격을 생성한 것이며, Wi-Fi 부분은 시뮬레이션된 것으로 알려졌습니다. 이러한 핵심적인 주의 사항은 하나의 방과 한 명의 참가자만으로는 신뢰할 수 있는 범용 추적 기능을 확립할 수 없음을 강조합니다. 프로젝트 아키텍처나 실험 재현에 관심이 있는 분들은 RuView GitHub Repository에서 포괄적인 세부 정보를 확인할 수 있습니다.
벤치마크 주장과 실제 성능 간의 차이는 강력한 Wi-Fi 기반 인간 감지 기술의 어려움을 강조합니다. 유망한 기술이기는 하지만, 여전히 다양한 환경과 개인에게 적응하는 데 어려움을 겪고 있습니다.
이 글이 마음에 드셨나요? 매일 아침 이런 글을 메일로 받아보세요.
하루 한 통 · 두 번의 클릭으로 구독 취소 · 제3자 추적 없음
유용한 동작 센서인가, 아니면 보이지 않는 감시 도구인가?
Wi-Fi 센싱은 매혹적인 이중성을 보여줍니다. 카메라 없는 재실 감지, 가정용 경보기, 낙상 감지와 같은 합법적인 애플리케이션은 특히 카메라를 설치하기 어려운 환경에서 상당한 이점을 제공합니다. 그러나 이러한 애플리케이션은 오용을 방지하기 위해 엄격한 테스트와 강력한 안전장치가 필요합니다.
개인정보 보호에 미치는 영향은 상당합니다. Wi-Fi 신호는 일부 벽을 통과할 수 있어 식별 가능한 영상을 기록하지 않고도 존재 여부와 움직임을 감지할 수 있습니다. 이것이 임의의 거리에서 정밀하게 염탐하는 것은 아니지만, 보이지 않는 감시에 대한 우려를 불러일으킵니다. 이 기술은 명시적인 동의나 인지 없이도 민감한 생활 패턴을 드러낼 수 있습니다.
이러한 감지 기능은 일상적인 라우터의 은밀한 기능이 아닙니다. IEEE 802.11bf 표준은 Wi-Fi 센싱을 구체적으로 다루고 있지만, 이는 기존의 기성 장비를 통해 인간을 추적할 수 있게 하려는 것이 아니라 전용 센싱 기능을 표준화하려는 업계의 노력을 의미합니다. 실질적인 한계는 여전히 존재합니다. 방의 구조가 크게 바뀌거나 추가 인원이 들어오면 일반적으로 정확도를 유지하기 위해 모델을 재학습해야 합니다.
자주 묻는 질문
Wi-Fi가 정말 벽 너머의 사람을 감지할 수 있나요?
Wi-Fi 신호는 일부 벽을 통과할 수 있으며, 신호의 변화를 통해 존재 여부나 움직임을 파악할 수 있습니다. 정확도는 방의 구조, 하드웨어, 설정에 따라 달라집니다.
Wi-Fi 센싱에서 CSI란 무엇인가요?
CSI(Channel State Information)는 장치 간 신호가 이동할 때 Wi-Fi 부반송파가 어떻게 변하는지를 기록하며, 여기에는 물체나 사람에 의해 발생하는 변화도 포함됩니다.
RuView 홈 테스트의 정확도는 어느 정도였나요?
제작자는 별도의 실시간 테스트에서 8가지 동작에 대해 79.5%의 정확도를 보고했지만, 해당 실험은 한 명의 사람, 하나의 방, 그리고 그곳에서 학습된 모델을 기반으로 진행되었습니다.
Wi-Fi 센싱에 카메라가 필요한가요?
모델을 학습시키기 위해 카메라로 라벨을 제공할 수는 있지만, 일단 학습이 완료되면 센싱 모델은 Wi-Fi 데이터만으로도 예측을 수행할 수 있습니다.