⚡ electrical engineering

WiFi-Based People Counting Using Beam-Steerable Antennas: A Test-bed Study

Diese Arbeit präsentiert eine Testbettstudie über den Einsatz von strahlsteuerbaren Antennen und Wi-Fi-Channel-State-Informationen (CSI), um eine allgegenwärtige Personenzählung und Re-Identifizierung zu ermöglichen, indem die fortschrittlichen Sensorikfähigkeiten zukünftiger Standards wie Wi-Fi 7 genutzt werden.

Ursprüngliche Autoren: Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

Veröffentlicht 2026-06-24

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Ihr heimischer WLAN-Router ist nicht nur ein Gerät, das Ihr Telefon mit dem Internet verbindet. Stellen Sie sich vor, er wäre auch ein Paar „unsichtbarer Augen“, die sehen können, wie viele Menschen in einem Raum sind, selbst wenn sie hinter einer Wand oder im Dunkeln stehen.

Dieses Papier beschreibt einen Test, um zu sehen, ob wir WLAN-Signale nutzen können, um Menschen in einem Haus zu zählen, indem wir eine spezielle Art von Antenne verwenden, die in verschiedene Richtungen „sehen“ kann, ohne sich zu bewegen.

Hier ist die Aufarbeitung dessen, wie sie es gemacht haben und was sie herausgefunden haben, unter Verwendung einfacher Analogien:

1. Die „Taschenlampen“-Antenne

Normalerweise sendet ein WLAN-Router Signale in alle Richtungen aus, wie eine Glühbirne in der Mitte eines Raumes. Aber die Forscher verwendeten einen speziellen Router mit strahlsteuerbaren Antennen (Beam-Steerable Antennas).

Denken Sie an dies wie an eine Taschenlampe mit einem Zoomobjektiv. Anstatt den ganzen Raum auf einmal auszuleuchten, kann der Router seinen „WLAN-Strahl“ gezielt auf das Wohnzimmer richten und dann wechseln, um ihn auf die Küche zu richten.

Der Trick: Der Router bewegt sich nicht physisch. Er verändert nur die Form des Signals, wie der Lichtstrahl eines Leuchtturms, der über das Meer streift.
Das Ziel: Durch das Ausrichten dieser Strahlen auf verschiedene Stellen kann das System einen besseren „Schnappschuss“ davon machen, wo sich Menschen befinden.

2. Wie die „unsichtbaren Augen“ Menschen sehen

Wenn WLAN-Signale durch einen Raum reisen, prallen sie von Wänden, Möbeln und Menschen ab.

Die Analogie: Stellen Sie sich vor, Sie rufen in einer Höhle. Wenn die Höhle leer ist, klingt Ihr Echo auf eine bestimmte Weise. Wenn jemand in der Mitte der Höhle steht, klingt Ihr Echo anders, weil Ihre Stimme auf seinen Körper getroffen ist.
Die Wissenschaft: Die Forscher maßen winzige Veränderungen im WLAN-Signal (genannt CSI), während Menschen umhergingen. Wenn eine Person sich bewegt, blockiert oder reflektiert sie das Signal, was einen einzigartigen „Fingerabdruck“ in den Daten erzeugt. Je mehr Menschen vorhanden sind, desto komplexer wird das Signal.

3. Die zwei Arten des Zählens (Die Gehirnleistung)

Das Team testete zwei verschiedene Wege, um diese Daten zu verarbeiten, um die Menschen zu zählen:

Methode A: Das „Zentrale Gehirn“ (UL-F)
Alle Rohdaten der WLAN-Geräte werden an den Hauptrouter (den Access Point) gesendet. Der Router fungiert wie ein riesiges Supergehirn, das alle Daten gleichzeitig betrachtet, um zu entscheiden: „Okay, da sind 5 Personen hier drin.“
Methode B: Der „Teamwork“-Ansatz (DL-SL / Split Learning)
Dies ist wie ein Staffellauf.
1. Die kleinen WLAN-Geräte (wie Ihr Laptop oder Telefon) erledigen zuerst ein wenig der Mathematik. Sie betrachten das Signal und sagen: „Ich sehe wohl 2 oder 3 Personen.“
2. Sie senden nur ihre Meinung (nicht die Rohdaten) an den Hauptrouter.
3. Der Hauptrouter fungiert als Schiedsrichter, der all diese Meinungen entgegennimmt und sie kombiniert, um die endgültige Anzahl zu ermitteln.
- Warum macht man das? Es hält die Rohdaten privat auf den Geräten und macht das System schneller und skalierbarer.

4. Das Testhaus

Sie haben dies nicht nur am Computer gemacht; sie bauten eine echte Testumgebung.

Die Umgebung: Ein großes, zweistöckiges Haus (340 Quadratmeter) mit 11 Räumen.
Das Experiment: Menschen ließen Menschen gehen, stehen und sich in Gruppen bewegen. Sie testeten Szenarien mit 1 Person bis hinauf zu 8 Personen im selben Raum.
Das Ergebnis: Sie zeichneten auf, wie sich das WLAN-Signal veränderte, während die Menge größer wurde.

5. Was sie herausgefunden haben

Mehr Strahlen = Besseres Sehen: Die Verwendung von nur einem „Taschenlampen-Winkel“ war nicht perfekt. Aber als sie zwei verschiedene Strahlwinkel verwendeten (indem sie schnell zwischen ihnen wechselten), verbesserte sich die Genauigkeit signifikant (um etwa 10 %). Es ist wie das Betrachten eines Objekts mit beiden Augen statt mit nur einem; man bekommt ein besseres Gefühl für Tiefe und Details.
Teamwork gewinnt: Der „Teamwork“-Ansatz (Methode B) funktionierte im Allgemeinen besser als der „Zentrale Gehirn“-Ansatz. Er war genauer beim Zählen hoher Personenzahlen (wie 8 Personen, die sich bewegen).
Die Grenze: Das System funktioniert am besten, wenn Menschen sich bewegen. Wenn alle vollkommen stillstehen, ist es schwieriger, sie voneinander zu unterscheiden, aber das System ist darauf ausgelegt, Bewegung zu erkennen.

Zusammenfassung

Das Papier beweist, dass man ein Standard-WLAN-Netzwerk in einen Personen-Zähler verwandeln kann. Indem man intelligente Antennen verwendet, die ihre Signale wie Taschenlampen „steuern“ können, und indem man ein intelligentes Teamwork-System zur Analyse der Daten nutzt, konnten sie erfolgreich bis zu 8 Personen in einem großen Haus zählen, die sich bewegten, ohne dabei Kameras einzusetzen.

Was das Papier nicht sagt:
Das Papier behauptet nicht, dass dies identifizieren kann, wer die Personen sind (wie etwa die Gesichtserkennung), noch behauptet es, dass es gesundheitliche Probleme diagnostizieren kann. Es geht rein darum, zu zählen, wie viele Menschen anwesend sind, und festzustellen, dass sie sich bewegen.

Technische Zusammenfassung: WiFi-basierte Personenzählung mittels strahlsteuerbarer Antennen

Problemstellung
Die Arbeit befasst sich mit der Herausforderung der Personenzählung und -diskriminierung in Innenräumen unter Verwendung bestehender Funkinfrastrukturen (RF), speziell von WiFi-Netzwerken. Während RF-Sensorik (oder „WiFi-Sensing“) vielversprechende Ergebnisse bei der Identifizierung von Personen und der Verfolgung von Bewegungen durch die Channel State Information (CSI) gezeigt hat, verlassen sich aktuelle Systeme oft auf statische Antennenkonfigurationen. Die Autoren schlagen vor, musterrekonfigurierbare Antennensysteme (Pattern-Reconfigurable Antenna Systems, PARS) zu nutzen, um die Strahlungsmuster dynamisch zu verändern. Das Kernproblem besteht darin, die Anzahl der gleichzeitig anwesenden menschlichen Subjekte ( $X$ ) in einem überwachten Raum zu bestimmen und deren Bewegungsmuster zu erfassen, indem die durch Körperblockaden verursachten Variationen in der CSI ausgenutzt werden. Dabei wird die Fähigkeit zur Strahlsteuerung (Beam-Steering) genutzt, um die Signalabdeckung und Diskriminierung zu verbessern, ohne Hardwareänderungen an Standard-Client-Geräten zu erfordern.

Methodik
Die Studie wurde in einer Testumgebung eines zweistöckigen Testhauses (ADANT Testhaus) mit 340 m² durchgeführt, die eine realistische Wohnumgebung mit Sichtlinienunterbrechungen (Non-Line-of-Sight, NLOS) zwischen den Geräten simuliert.

Hardware-Setup: Das System besteht aus einem WiFi 7-konformen Access Point (AP) Gateway, das mit einem Smart-Antenna-System ausgestattet ist, welches Strahlsteuerung unterstützt (speziell zwei steuerbare Strahlen pro Antenne, Codes 21 und 42) in den 5GHz- und 6GHz-Bändern. Der AP ist mit vier Station Devices (STAs) verbunden, die jeweils über eine einzelne Antenne verfügen.
Datenerhebung: AP und STAs kommunizieren via Uplink. Der AP sammelt CSI-Daten ( $H_t(i, k)$ ), welche die Phasenverschiebung und Amplitudendämpfung über $S=120$ nutzbare Pilot-Subcarrier repräsentieren. Die Daten wurden in Intervallen von 250 ms (4 Samples/Sekunde) über 30-minütige Sitzungen aufgezeichnet. Der Datensatz umfasst Szenarien, die von einem leeren Raum bis hin zu $X=8$ Subjekten reichen, die sich bewegen, stehen oder in Gruppen gehen.
Signalverarbeitung: Die Autoren berechnen die Variation der CSI-Amplitude ( $\Delta H_t(i, k)$ ) über ein gleitendes Fenster von 7 aufeinanderfolgenden WiFi-Frames, um Bewegungen und Umweltveränderungen zu detektieren.
Maschinelle Lernarchitekturen: Es wurden zwei unterschiedliche Verarbeitungsarchitekturen vorgeschlagen und evaluiert:
1. UL-F (Uplink Fusion): Alle CSI-Daten der vier STAs werden an den AP übertragen, wo ein einzelnes XGBoost (Extreme Gradient Boosting) Entscheidungsbaum-Modell trainiert wird, um die Anzahl der Personen zu klassifizieren.
2. DL-SL (Downlink Split Learning): Ein Split-Learning-Ansatz, bei dem lokale XGBoost-Modelle auf jedem STA laufen, um vorläufige Entscheidungen basierend auf lokaler CSI zu treffen. Diese Teilentscheidungen werden an den AP übertragen, wo ein Convolutional Neural Network (CNN) sie aggregiert, um eine endgültige Entscheidung zu treffen. Dieser Ansatz hält die Roh-CSI lokal auf den STAs.

Wesentliche Beiträge

Integration strahlsteuerbarer Antennen: Die Arbeit demonstriert die Integration von PARS-Technologie mit unveränderten WiFi-Signalen für die Personenzählung. Sie zeigt, dass das dynamische Steuern von Strahlen (Codes 21 und 42) die Abdeckung verbessern und distinkte RF-Fingerabdrücke für unterschiedliche Belegungsgrade erzeugen kann.
Split-Learning-Architektur: Die Autoren schlagen ein „Split Learning“-Framework (DL-SL) für die RF-Sensorik vor und validieren dieses. Diese Architektur verteilt die Rechenlast, sodass STAs lokale Inferenz (XGBoost) durchführen können, während der AP die Aggregation (CNN) übernimmt, was Skalierbarkeit und Datenschutz durch das lokale Verbleiben der Roh-CSI auf den STAs adressiert.
Umfassende Testbett-Evaluierung: Die Studie liefert eine empirische Validierung innerhalb einer großflächigen, realistischen Wohnumgebung, wobei das System gegen variierende Anzahlen von Subjekten (1 bis 8) und verschiedene Strahlkonfigurationen getestet wurde.

Ergebnisse

Strahlleistung: Es war eine merkliche Leistungsdegradation bei Verwendung des Strahlmusters 21 im Vergleich zu Strahlmuster 42 feststellbar. Die kombinierte Nutzung beider Strahlmuster verbesserte die Genauigkeit jedoch signifikant, was die Genauigkeit in Szenarien mit hoher Objektdichte (z. B. $X=8$ ) um etwa 10 % steigerte.
Architekturvergleich: Die DL-SL (Split Learning) Architektur schnitt konsistent besser ab als der UL-F (Uplink Fusion) Ansatz. Das verteilte Verarbeitungsmodell zeigte eine überlegene Genauigkeit bei Zählaufgaben.
Antennendiversität: Die Erhöhung der Anzahl der RX-Antennen am AP von $M_R=1$ auf $M_R=4$ verbesserte die allgemeine Zählgenauigkeit, wie zu erwarten war.
Konfusionsanalyse: Konfusionsmatrizen zeigten, dass die gemeinsame Nutzung beider Strahlmuster besonders vorteilhaft war, um eine hohe Anzahl von Zielobjekten ( $X > 4$ ) zu diskriminieren, wodurch die Fehlklassifizierungsraten im Vergleich zur Nutzung einzelner Strahlen reduziert wurden.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass Pattern-Reconfigurable Antenna Systems eine neuartige Möglichkeit für die passive Sensorik im menschlichen Maßstab bieten, indem sie die Strahlungsenergie gezielt in bestimmte Bereiche kanalisieren und so die Robustheit der RF-Sensorik in komplexen Umgebungen verbessern. Die Autoren betonen, dass ihre vorgeschlagene Beam-Space-Verarbeitungsarchitektur, insbesondere das Split-Learning-Modell, eine skalierbare Lösung für zukünftige RF-Sensoriksysteme darstellt. Die Studie validiert, dass diese Technologien Bewegungsdetektion und Personenzählungsdienste in Wohn-WiFi-Netzwerken unterstützen können, was den Weg für Anwendungen in der Einbruchserkennung und Gebäudeautomatisierung ebnet. Die Arbeit unterstreicht, dass diese Fähigkeiten mit bestehender WiFi-Infrastruktur durch Smart-Antenna-Upgrades erreicht werden können, ohne dass Änderungen an den Client-Geräten (STAs) erforderlich sind.