⚡ electrical engineering

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

Cet article présente une étude expérimentale sur l'utilisation d'antennes à faisceau orientable et de l'information sur l'état du canal (CSI) Wi-Fi pour permettre un comptage et une réidentification ubiquitaires des personnes, en tirant parti des capacités de détection avancées de futures normes telles que le Wi-Fi 7.

Auteurs originaux : Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

Publié 2026-06-24

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que le routeur Wi-Fi de votre maison n'est pas seulement un appareil qui connecte votre téléphone à Internet. Imaginez qu'il s'agit aussi d'une paire d'« yeux invisibles » capables de voir combien de personnes se trouvent dans une pièce, même si elles sont derrière un mur ou dans l'obscurité.

Ce document décrit un test pour voir si nous pouvons utiliser les signaux Wi-Fi pour compter les personnes dans une maison, en utilisant un type spécial d'antenne capable de « regarder » dans différentes directions sans bouger.

Voici la décomposition de la manière dont ils ont procédé et de ce qu'ils ont trouvé, en utilisant des analogies simples :

1. L'antenne « Lampe de poche »

Habituellement, un routeur Wi-Fi envoie des signaux dans toutes les directions, comme une ampoule au centre d'une pièce. Mais les chercheurs ont utilisé un routeur spécial doté d'Antennes à faisceau orientable (Beam-Steerable Antennas).

Voyez cela comme une lampe de poche avec un objectif zoom. Au lieu d'éclairer toute la pièce d'un coup, le routeur peut diriger son « faisceau Wi-Fi » spécifiquement vers le salon, puis changer pour viser la cuisine.

L'astuce : Le routeur ne bouge pas physiquement. Il change simplement la forme du signal, comme le faisceau d'un phare balayant la mer.
Le but : En dirigeant ces faisceaux vers différents endroits, le système peut obtenir un meilleur « instantané » de l'endroit où se trouvent les gens.

2. Comment les « Yeux invisibles » voient les gens

Lorsque les signaux Wi-Fi traversent une pièce, ils rebondissent sur les murs, les meubles et les personnes.

L'analogie : Imaginez que vous criez dans une grotte. Si la grotte est vide, votre écho sonne d'une certaine façon. Si quelqu'un se tient au milieu de la grotte, votre écho sonne différemment parce que votre voix a frappé son corps.
La science : Les chercheurs ont mesuré de minuscules changements dans le signal Wi-Fi (appelés CSI) à mesure que les gens se déplaçaient. Lorsqu'une personne bouge, elle bloque ou fait rebondir le signal, créant une « empreinte digitale » unique sur les données. Plus il y a de personnes, plus le signal devient complexe.

3. Les deux façons de compter (La puissance cérébrale)

L'équipe a testé deux méthodes différentes pour traiter ces données afin de compter les personnes :

Méthode A : Le « Cerveau Central » (UL-F)
Toutes les données brutes des appareils Wi-Fi sont envoyées au routeur principal (le point d'accès). Le routeur agit comme un cerveau surpuissant, examinant toutes les données à la fois pour décider : « D'accord, il y a 5 personnes ici ».
Méthode B : L'approche du « Travail d'équipe » (DL-SL / Apprentissage divisé)
C'est comme une course de relais.
1. Les petits appareils Wi-Fi (comme votre ordinateur portable ou votre téléphone) effectuent d'abord une petite partie du calcul. Ils observent le signal et disent : « Je pense voir 2 ou 3 personnes ».
2. Ils envoient uniquement leur opinion (et non les données brutes) au routeur principal.
3. Le routeur principal agit comme un arbitre, prenant toutes ces opinions et les combinant pour établir le décompte final.
- Pourquoi faire cela ? Cela préserve la confidentialité des données brutes sur les appareils et rend le système plus rapide et plus évolutif.

4. La maison de test

Ils n'ont pas fait cela uniquement sur un ordinateur ; ils ont construit un véritable environnement de test.

Le cadre : Une grande maison à deux étages (340 mètres carrés) comprenant 11 pièces.
L'expérience : Ils ont fait marcher des personnes, les ont fait rester debout et les ont fait déplacer en groupes. Ils ont testé des scénarios avec 1 personne jusqu'à 8 personnes dans la même pièce.
Le résultat : Ils ont enregistré comment le signal Wi-Fi changeait à mesure que la foule augmentait.

5. Ce qu'ils ont trouvé

Plus de faisceaux = Meilleure vision : Utiliser un seul angle de faisceau n'était pas parfait. Mais lorsqu'ils ont utilisé deux angles de faisceau différents (en passant de l'un à l'autre rapidement), la précision s'est considérablement améliorée (d'environ 10 %). C'est comme regarder un objet avec les deux yeux au lieu d'un seul ; on obtient une meilleure perception de la profondeur et des détails.
Le travail d'équipe gagne : L'approche de « Travail d'équipe » (Méthode B) a généralement mieux fonctionné que l'approche du « Cerveau Central ». Elle était plus précise pour compter un grand nombre de personnes (comme 8 personnes en mouvement).
La limite : Le système fonctionne mieux lorsque les gens sont en mouvement. Si tout le monde reste parfaitement immobile, il est plus difficile de les distinguer, mais le système est conçu pour détecter le mouvement.

Résumé

L'article prouve que vous pouvez transformer un réseau Wi-Fi standard en un compteur de personnes. En utilisant des antennes intelligentes capables d'« orienter » leurs signaux comme des lampes de poche, et en utilisant un système intelligent de travail d'équipe pour analyser les données, ils ont réussi à compter jusqu'à 8 personnes se déplaçant dans une grande maison sans utiliser de caméras.

Ce que l'article ne dit pas :
L'article ne prétend pas que cela peut identifier qui sont les personnes (comme la reconnaissance faciale), ni qu'il peut diagnostiquer des problèmes de santé. Il s'agit strictement de compter le nombre de personnes présentes et de détecter qu'elles sont en mouvement.

Résumé technique : Comptage de personnes par WiFi à l'aide d'antennes orientables par faisceau

Énoncé du problème
Le document traite du défi du comptage et de la discrimination des personnes en intérieur en utilisant les infrastructures RF existantes, spécifiquement les réseaux WiFi. Bien que la détection par RF (ou « détection WiFi ») soit prometteuse pour identifier les individus et suivre leurs mouvements grâce à l'information d'état du canal (CSI), les systèmes actuels reposent souvent sur des configurations d'antennes statiques. Les auteurs proposent d'exploiter les systèmes d'antennes à reconfiguration de diagramme (PARS) pour modifier dynamiquement les diagrammes de rayonnement. Le problème central est de déterminer le nombre de sujets humains co-présents ( $X$ ) dans un espace surveillé et de capturer leurs modèles de mouvement en exploitant les variations de la CSI causées par l'obstruction corporelle, en utilisant la capacité d'orientation de faisceaux pour améliorer la couverture du signal et la discrimination sans nécessiter de modifications matérielles des appareils clients standards.

Méthodologie
L'étude a été menée dans un environnement de test de type maison d'essai de 340 m², à deux étages (ADANT testhouse), conçu pour simuler un cadre résidentiel réaliste avec des conditions de non-visibilité directe (NLOS) entre les dispositifs.

Configuration matérielle : Le système se compose d'une passerelle point d'accès (AP) compatible WiFi 7 équipée d'un système d'antenne intelligente prenant en charge l'orientation de faisceaux (spécifiquement deux faisceaux orientables par antenne, codes 21 et 42) dans les bandes 5 GHz et 6 GHz. L'AP est connecté à quatre dispositifs de station (STA), chacun équipé d'une antenne unique.
Collecte de données : L'AP et les STA communiquent via la liaison montante (uplink). L'AP collecte les données CSI ( $H_t(i, k)$ ) représentant le déphasage et l'atténuation d'amplitude à travers $S=120$ sous-porteuses pilotes utilisables. Les données ont été échantillonnées à des intervalles de 250 ms (4 échantillons/sec) lors de sessions de 30 minutes. Le jeu de données comprend des scénarios allant d'une pièce vide à des cas où $X=8$ sujets se déplacent, se tiennent debout ou marchent en groupes.
Traitement du signal : Les auteurs calculent la variation de l'amplitude de la CSI ( $\Delta H_t(i, k)$ ) sur une fenêtre glissante de 7 trames WiFi consécutives pour détecter le mouvement et les changements environnementaux.
Architectures d'apprentissage automatique : Deux architectures de traitement distinctes ont été proposées et évaluées :
1. UL-F (Fusion en liaison montante) : Toutes les données CSI des quatre STA sont transmises à l'AP, où un modèle d'arbre de décision XGBoost (Extreme Gradient Boosting) unique est entraîné pour classifier le nombre de personnes.
2. DL-SL (Apprentissage partitionné en liaison descendante) : Une approche d'apprentissage partitionné (split learning) où des modèles XGBoost locaux s'exécutent sur chaque STA pour générer des décisions préliminaires basées sur la CSI locale. Ces décisions partielles sont transmises à l'AP, où un réseau de neurones convolutifs (CNN) les agrège pour prendre une décision finale. Cette approche maintient les données CSI brutes locales aux STA.

Contributions clés

Intégration d'antennes orientables par faisceau : Le document démontre l'intégration de la technologie PARS avec des signaux WiFi non modifiés pour le comptage de personnes. Il montre que l'orientation dynamique des faisceaux (codes 21 et 42) peut améliorer la couverture et créer des empreintes RF distinctes pour différents niveaux d'occupation.
Architecture d'apprentissage partitionné : Les auteurs proposent et valident un cadre d'apprentissage partitionné (DL-SL) pour la détection RF. Cette architecture distribue la charge de calcul, permettant aux STA d'effectuer l'inférence locale (XGBoost) tandis que l'AP gère l'agrégation (CNN), répondant ainsi aux problèmes d'évolutivité et de confidentialité des données en gardant la CSI brute hors du réseau.
Évaluation complète en banc d'essai : L'étude fournit une validation empirique au sein d'un environnement résidentiel à grande échelle et réaliste, testant le système contre des nombres variables de sujets (1 à 8) et différentes configurations de faisceaux.

Résultats

Performance des faisceaux : Une dégradation notable des performances a été observée lors de l'utilisation du motif de faisceau 21 par rapport au motif 42. Cependant, l'utilisation combinée des deux motifs de faisceau a considérablement amélioré la précision, l'augmentant d'environ 10 % dans les scénarios à haute densité de sujets (ex. : $X=8$ ).
Comparaison des architectures : L'architecture DL-SL (Apprentissage partitionné) a systématiquement surpassé l'approche UL-F (Fusion en liaison montante). Le modèle de traitement distribué a démontré une précision supérieure dans les tâches de comptage.
Diversité d'antennes : L'augmentation du nombre d'antennes de réception à l'AP de $M_R=1$ à $M_R=4$ a amélioré la précision globale du comptage, comme prévu.
Analyse de confusion : Les matrices de confusion ont révélé que l'utilisation conjointe des deux motifs de faisceaux était particulièrement bénéfique pour la discrimination d'un grand nombre de cibles ( $X > 4$ ), réduisant les taux de mauvaise classification par rapport à l'utilisation de faisceaux uniques.

Signification et affirmations
Le document affirme que les systèmes d'antennes à reconfiguration de diagramme offrent une opportunité novatrice pour la détection passive à l'échelle humaine en canalisant l'énergie de rayonnement vers des zones spécifiques, améliorant ainsi la robustesse de la détection RF dans des environnements complexes. Les auteurs soutiennent que leur architecture de traitement en espace de faisceaux, en particulier le modèle d'apprentissage partitionné, fournit une solution évolutive pour les futurs systèmes de détection RF. L'étude valide que ces technologies peuvent supporter des services de détection de mouvement et de comptage de personnes dans les réseaux WiFi résidentiels, ouvrant la voie à des applications dans la détection d'intrusion et l'automatisation des bâtiments. Le travail souligne que ces capacités peuvent être atteintes en utilisant l'infrastructure WiFi existante avec des mises à niveau d'antennes intelligentes, sans nécessiter de modifications des dispositifs clients (STA).