Ваш Wi-Fi наблюдает за вами — вот что он может увидеть

Представьте, что Wi-Fi-маршрутизатор не просто подключает устройства, но и распознает ваши движения сквозь стены. Недавний живой тест продемонстрировал это: три платы ESP32-S3 стоимостью около $10 каждая, работающие на прошивке с открытым исходным кодом и обученной модели ИИ, классифицировали движения создателя — сидение, стояние, ходьбу, приседания — с точностью 79,5%.

Эта возможность основана на Channel State Information (CSI). Когда ваш маршрутизатор передает Wi-Fi-пакет, он распределяет данные по десяткам отдельных поднесущих. Принимающее устройство измеряет, как сила сигнала и фазовый сдвиг каждой поднесущей меняются при прохождении через пространство, отражаясь от стен, мебели и даже вашего тела.

Движение едва заметно изменяет эти пути прохождения сигнала. Ваше тело, состоящее преимущественно из воды, поглощает и отражает Wi-Fi-сигналы, создавая уникальные интерференционные картины, которые фиксируют платы ESP32-S3. Эти необработанные, пульсирующие данные сигнала затем передаются в модель ИИ.

Важно отметить, что эта система не «видит» вас, как камера. Вместо этого она делает выводы об общих паттернах движения на основе изменений сигнала. ИИ, изначально обученный путем сопоставления Wi-Fi-данных с эталонной информацией о позе, полученной с камеры, учится распознавать конкретные действия, не формируя при этом визуального изображения.

Процесс обучения RuView напоминает динамику «учитель-ученик». Стандартная веб-камера, работающая с моделью распознавания поз (pose detection model), выступает в роли «учителя», помечая действия человека, такие как сидение или ходьба. Одновременно три платы ESP32-S3 записывают Channel State Information (CSI) — тонкие изменения сигнала, вызванные движением — по пересекающимся путям Wi-Fi.

Эти записи CSI в сочетании с метками веб-камеры обучают вторую модель ИИ. Эта модель-«ученик» учится предсказывать конкретные действия исключительно на основе данных Wi-Fi, эффективно преобразуя невидимые нарушения сигнала в распознаваемые движения. После завершения обучения веб-камера удаляется, позволяя модели Wi-Fi работать независимо.

Самодельная установка создателя включала три платы ESP32-S3 стоимостью около $10, расположенные по гостиной и создающие несколько пересекающихся путей сигнала. Было собрано около девяти минут размеченных данных о движениях, что позволило обучить модель интерпретировать различные действия.

Первоначальные результаты продемонстрировали высокую эффективность для статических или предсказуемых движений:

• Сидение: точность 93%
• Ходьба: точность 70%
• Комната пуста: точность 96%

Тем не менее, модель испытывала трудности с более мелкими и нюансированными жестами, распознавая взмахи рукой с точностью всего 13%. Это говорит о том, что, хотя крупномасштабные движения тела значительно изменяют Wi-Fi-сигналы, тонкие движения конечностей могут не создавать достаточных возмущений CSI для надежного обнаружения.

Критический взгляд на заявленную точность RuView выявляет важные нюансы. Хотя проект заявляет о базовой точности чуть более 82% на наборе данных MM-Fi — обширной коллекции данных от 40 человек в четырех комнатах в Сингапуре, — результаты домашних тестов требуют более внимательного изучения.

Рецензенты сочли методологию тестирования модели несколько оптимистичной; она часто оценивала производительность, используя примеры из тех же записей, которые применялись при обучении. При тестировании в незнакомом помещении заявленная точность RuView упала до 11%, что подчеркивает серьезную проблему обобщения (generalization problem).

Более того, широко распространившееся вирусное демо, демонстрирующее отслеживание скелета человека в реальном времени, по имеющимся данным, генерировало этот скелет на основе видео с веб-камеры, а часть, связанная с Wi-Fi, была симулирована. Это ключевое предостережение подчеркивает, что одна комната и один участник не обеспечивают надежного отслеживания общего назначения. Для тех, кто интересуется архитектурой проекта или хочет повторить эксперименты, RuView GitHub Repository предлагает исчерпывающую информацию.

Разрыв между заявленными результатами тестов и реальной производительностью подчеркивает сложность создания надежных систем распознавания человека на основе Wi-Fi. Несмотря на многообещающие перспективы, технология все еще сталкивается с трудностями при адаптации к различным условиям и людям.

Wi-Fi-сенсорика представляет собой захватывающую двойственность. Легитимные приложения, такие как бескамерное определение присутствия, домашняя сигнализация и обнаружение падений, приносят значительную пользу, особенно в тех местах, где использование камер нежелательно. Однако эти приложения требуют тщательного тестирования и надежных механизмов защиты для предотвращения злоупотреблений.

Последствия для конфиденциальности существенны. Сигналы Wi-Fi могут проникать сквозь некоторые стены, позволяя обнаруживать присутствие и движение без записи идентифицирующего видео. Хотя это не является точной слежкой на произвольных расстояниях, это вызывает опасения по поводу невидимого наблюдения. Технология может раскрыть конфиденциальные модели поведения без явного согласия или осведомленности.

Эта возможность сенсорики не является скрытой функцией обычных роутеров. Стандарт IEEE 802.11bf специально посвящен Wi-Fi-сенсорике, но его существование означает стремление отрасли стандартизировать специализированные функции обнаружения, а не обеспечивать отслеживание людей с помощью текущего стандартного оборудования. Практические ограничения сохраняются: значительные изменения в планировке комнаты или появление дополнительных людей обычно требуют переобучения модели для поддержания точности.

Может ли Wi-Fi действительно обнаруживать людей сквозь стены?

Сигналы Wi-Fi могут проходить сквозь некоторые стены, и изменения в этих сигналах могут выявить присутствие или движение. Точность зависит от помещения, оборудования и настроек.

Что такое CSI в Wi-Fi-сенсорике?

Channel State Information (CSI) фиксирует, как изменяются поднесущие Wi-Fi при прохождении сигналов между устройствами, включая сдвиги, вызванные объектами или людьми.

Насколько точным был домашний тест RuView?

Создатель сообщил о 79,5% точности при выполнении восьми движений в отдельном живом тесте, но в эксперименте участвовал один человек, одна комната и модель, обученная именно для этих условий.

Требует ли Wi-Fi-сенсорика использования камеры?

Камера может предоставлять метки для обучения модели, но после обучения модель сенсорики может делать прогнозы, используя только данные Wi-Fi.