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

Resumen Técnico: Conteo de Personas Basado en WiFi mediante Antenas con Capacidad de Direccionamiento de Haz

Planteamiento del Problema
El artículo aborda el desafío del conteo y la discriminación de personas en interiores utilizando la infraestructura de radiofrecuencia (RF) existente, específicamente las redes WiFi. Aunque la detección por RF (o "detección WiFi") ha mostrado potencial para identificar individuos y rastrear movimientos a través de la Información del Estado del Canal (CSI), los sistemas actuales suelen depender de configuraciones de antena estáticas. Los autores proponen aprovechar los Sistemas de Antenas Reconfigurables de Patrón (PARS, por sus siglas en inglés) para alterar dinámicamente los patrones de radiación. El problema central es determinar el número de sujetos humanos ($X$) presentes en un espacio monitoreado y capturar sus patrones de movimiento aprovechando las variaciones en la CSI causadas por el bloqueo corporal, utilizando la capacidad de direccionamiento de haz para mejorar la cobertura de la señal y la discriminación sin requerir modificaciones de hardware en los dispositivos cliente estándar.

Metodología
El estudio se llevó a cabo en un entorno de casa de prueba de dos plantas y 340 m² (ADANT testhouse), diseñado para emular un entorno residencial realista con condiciones de No Línea de Visión (NLOS) entre los dispositivos.

• Configuración de Hardware: El sistema consta de una puerta de enlace (gateway) de Punto de Acceso (AP) compatible con WiFi 7, equipada con un sistema de antena inteligente que admite el direccionamiento de haz (específicamente dos haces direccionables, códigos 21 y 42) en las bandas de 5 GHz y 6 GHz. El AP está conectado a cuatro Dispositivos de Estación (STAs), cada uno equipado con una sola antena.
• Recolección de Datos: El AP y los STAs se comunican mediante enlace ascendente (uplink). El AP recopila datos de CSI ($H_t(i, k)$) que representan el desplazamiento de fase y la atenuación de amplitud a través de $S=120$ subportadoras piloto utilizables. Los datos se muestrearon en intervalos de 250 ms (4 muestras/seg) durante sesiones de 30 minutos. El conjunto de datos incluye escenarios que van desde una habitación vacía hasta la presencia de $X=8$ sujetos moviéndose, de pie o caminando en grupos.
• Procesamiento de Señales: Los autores calculan la variación en la amplitud de la CSI ($\Delta H_t(i, k)$) sobre una ventana deslizante de 7 tramas WiFi consecutivas para detectar movimiento y cambios ambientales.
• Arquitecturas de Aprendizaje Automático: Se propusieron y evaluaron dos arquitecturas de procesamiento distintas:
  1. UL-F (Fusión de Enlace Ascendente): Todos los datos de CSI de los cuatro STAs se transmiten al AP, donde un único modelo de árbol de decisión XGBoost (Extreme Gradient Boosting) se entrena para clasificar el número de personas.
  2. DL-SL (Aprendizaje Dividido de Enlace Descendente): Un enfoque de aprendizaje dividido donde modelos XGBoost locales se ejecutan en cada STA para generar decisiones preliminares basadas en la CSI local. Estas decisiones parciales se transmiten al AP, donde una Red Neuronal Convolucional (CNN) las agrega para tomar una decisión final. Este enfoque mantiene los datos brutos de la CSI locales en los STAs.

Contribuciones Clave

1. Integración de Antenas con Direccionamiento de Haz: El artículo demuestra la integración de la tecnología PARS con señales WiFi no modificadas para el conteo de personas. Muestra que el direccionamiento dinámico de los haces (códigos 21 y 42) puede mejorar la cobertura y crear huellas de RF distintas para diferentes niveles de ocupación.
2. Arquitectura de Aprendizaje Dividido: Los autores proponen y validan un marco de "Aprendizaje Dividido" (DL-SL) para la detección por RF. Esta arquitectura distribuye la carga computacional, permitiendo que los STAs realicen la inferencia local (XGBoost) mientras el AP gestiona la agregación (CNN), abordando las preocupaciones de escalabilidad y privacidad de datos al mantener la CSI bruta fuera de la red.
3. Evaluación en Banco de Pruebas Integral: El estudio proporciona validación empírica dentro de un entorno residencial a gran escala y realista, probando el sistema contra diferentes números de sujetos (1 a 8) y distintas configuraciones de haz.

Resultos

• Rendimiento del Haz: Se observó una degradación notable del rendimiento al utilizar el patrón de haz 21 en comparación con el patrón de haz 42. Sin embargo, el uso combinado de ambos patrones de haz mejoró significativamente la precisión, aumentándola aproximadamente un 10% en escenarios con alta densidad de sujetos (por ejemplo, $X=8$).
• Comparación de Arquitecturas: La arquitectura DL-SL (Aprendizaje Dividido) superó consistentemente al enfoque UL-F (Fusión de Enlace Ascendente). El modelo de procesamiento distribuido demostró una precisión superior en las tareas de conteo.
• Diversidad de Antenas: El aumento del número de antenas de recepción (RX) en el AP de $M_R=1$ a $M_R=4$ mejoró la precisión general del conteo, como era de esperar.
• Análisis de Confusión: Las matrices de confusión revelaron que el uso conjunto de ambos patrones de haz fue particularmente beneficioso al discriminar entre un alto número de objetivos ($X > 4$), reduciendo las tasas de clasificación errónea en comparación con el uso de haces individuales.

Significancia y Reivindicaciones
El artículo sostiene que los Sistemas de Antenas Reconfigurables de Patrón ofrecen una oportunidad novedosa para la detección pasiva a escala humana al canalizar la energía de radiación hacia áreas específicas, mejorando así la robustez de la detección por RF en entornos complejos. Los autores afirman que su arquitectura de procesamiento de espacio de haces, particularmente el modelo de aprendizaje dividido, proporciona una solución escalable para futuros sistemas de detección por RF. El estudio valida que estas tecnologías pueden soportar servicios de detección de movimiento y conteo de personas en redes WiFi residenciales, allanando el camino para aplicaciones en detección de intrusiones y automatización de edificios. El trabajo enfatiza que estas capacidades pueden lograrse utilizando la infraestructura WiFi existente con actualizaciones de antenas inteligentes, sin requerir cambios en los dispositivos cliente (STAs).