💻 computer science

Why Commodity WiFi Sensors Fail at Multi-Person Gait Identification: A Systematic Analysis Using ESP32

Questo articolo dimostra che l'incapacità dei sensori WiFi ESP32 di tipo commodity di identificare accuratamente le andature di più persone derivi principalmente da limitazioni hardware fondamentali nella qualità della rilevazione e nella diversità spaziale piuttosto che da carenze algoritmiche, sfidando così la fattibilità del CSI WiFi a basso costo come primitiva biometrica robusta per più utenti.

Autori originali: Oliver Custance, Saad Khan, Simon Parkinson

Pubblicato 2026-06-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Oliver Custance, Saad Khan, Simon Parkinson

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di trovarti in una stanza affollata, cercando di ascoltare sei persone diverse che camminano mentre parlano tutte contemporaneamente. Riesci a sentire il rumore generale dei passi, ma cercare di individuare esattamente chi sta camminando dove, e identificarli solo dai loro passi, è incredibilmente difficile.

Questo è essenzialmente ciò che questo articolo ha investigato, ma invece delle orecchie, ha usato i segnali WiFi (specificamente, un chip economico chiamato ESP32), e invece dei passi, ha osservato come i modelli di camminata delle persone disturbano le onde invisibili del WiFi.

Ecco una ripartizione delle loro scoperte utilizzando analogie semplici:

La Grande Domanda: Il WiFi economico può "sentire" più persone?

Gli scienziati sanno da un po' che il WiFi può identificare una persona che cammina. È come riconoscere la voce di un amico in una stanza silenziosa. Ma cosa succede quando 10 persone camminano contemporaneamente in un'aula affollata?

I ricercatori volevano sapere: il problema è che i nostri algoritmi di "ascolto" (il software) non sono abbastanza intelligenti, o il problema è che l'hardware WiFi economico semplicemente non riesce a sentire abbastanza dettagli per cominciare?

L'Esperimento: Il "Cocktail Party" del WiFi

Il team ha allestito uno scenario di "cocktail party" utilizzando sensori WiFi economici e commerciali (chip ESP32). Avevano fino a 10 persone che camminavano in due stanze diverse:

Un laboratorio tranquillo: uno spazio controllato con poche distrazioni.
Una vera aula: uno spazio disordinato con mobili e altri segnali WiFi che rimbalzano ovunque.

Hanno provato sei diversi "filtri" matematici (algoritmi) per cercare di separare i segnali mescolati, sperando di isolare lo stile di camminata unico (andatura) di ogni persona. Questi filtri includevano metodi come FastICA, SOBI e NMF.

I Risultati: Un Segnale "Fangoso"

I risultati sono stati un po' deludenti, ma molto rivelatori.

L'analogia dell'acqua fangosa: Immagina di cercare di separare il colorante alimentare rosso e blu che sono stati mescolati in un unico secchio d'acqua. Non importa quanto sia intelligente il tuo filtro, se l'acqua è troppo torbida fin dall'inizio, non puoi separare perfettamente i colori.
Il limite dell'Hardware: I sensori WiFi economici hanno solo 3 antenne e 52 canali di frequenza. I ricercatori hanno scoperto che questo è come cercare di ascoltare un'orchestra sinfonica con solo tre orecchie. Semplicemente non c'è abbastanza "risoluzione spaziale" (dettaglio) per distinguere chi è chi quando tutti si muovono contemporaneamente.
La lotta degli Algoritmi: Hanno testato sei diversi metodi software. Il migliore (chiamato NMF) è riuscito a identificare le persone correttamente circa il 56% delle volte. Il peggiore era solo al 39%.
- Pensa a questo: Se stessi indovinando la risposta in un test a scelta multipla con 10 opzioni, prenderne il 10% sarebbe per fortuna. Ottenerne il 56% è meglio della fortuna, ma è lontano dall'essere perfetto. È come un lancio di moneta leggermente truccato, ma ancora inaffidabile.

Perché sono falliti? (I tre principali colpevoli)

L'articolo introduce tre "strumenti diagnostici" per spiegare perché i sistemi sono falliti, che sono più facili da capire con queste metafore:

Variabilità Intra-Soggetto (Il problema del "Stessa persona, giorno diverso"):
- Analogia: Potresti camminare diversamente oggi perché sei stanco, o domani perché indossi scarpe diverse. Il segnale WiFi ha colto questi piccoli cambiamenti in modo tale che il sistema ha pensato che la stessa persona fosse in realtà due persone diverse. Il "rumore" del movimento della persona stessa era più forte del "segnale" della sua identità.
Distinguibilità Inter-Soggetto (Il problema del "Somigliante"):
- Analogia: In una folla, molte persone camminano con un ritmo simile. I segnali WiFi delle diverse persone si sono sovrapposti pesantemente (97–99% di sovrapposizione), quindi il sistema non riusciva a distinguere la Persona A dalla Persona B. Erano tutti immersi nella stessa "zuppa" di dati.
Sensibilità Ambientale (Il problema del "Cambio stanza"):
- Analogia: Un filtro che funzionava perfettamente nel Laboratorio tranquillo è fallito miseramente nell'Aula rumorosa. Il modo in cui il WiFi rimbalza su pareti e mobili (multipath) ha cambiato drasticamente il segnale, in modo tale che un sistema addestrato in una stanza non poteva riconoscere la stessa persona in un'altra stanza.

Il Verdetto: È l'Hardware, non solo il Software

La conclusione più importante dell'articolo è questa: nessun software intelligente può riparare un microfono rotto.

I ricercatori hanno scoperto che anche il miglior algoritmo (NMF) non ha risolto il problema perché i limiti dell'hardware erano il collo di bottiglia. I sensori economici semplicemente non catturavano abbastanza dettagli per separare 10 persone che camminano contemporaneamente. Gli algoritmi di "separazione" stavano solo riorganizzando l'acqua fangosa, non la stavano realmente pulendo.

Cosa significa per te?

Per la Sicurezza: Se speravi di usare router WiFi economici per autenticare continuamente (verificare l'identità) la presenza in un ufficio o in un aeroporto affollato, questo articolo dice: non contateci ancora. La tecnologia non è ancora abbastanza affidabile per distinguere tra 10 persone che passano davanti a un sensore.
Per la Privacy: D'altro canto, questa è una buona notizia per la privacy. Suggerisce che i dispositivi WiFi economici e commerciali probabilmente non possono tracciare e identificare segretamente tutti in una stanza affollata con alta precisione. La capacità di "super-spia" del WiFi a basso costo è limitata dalla fisica dell'hardware, non solo dal software.

In breve: Cercare di identificare più persone che camminano con un WiFi economico è come cercare di identificare singoli cantanti in un coro ascoltando un singolo microfono di bassa qualità in una stanza rumorosa. L'hardware non è abbastanza buono per sentire i dettagli, indipendentemente da quanto sia intelligente il computer.

Sintesi Tecnica: Perché i sensori WiFi commerciali falliscono nell'identificazione del passo multi-persona

Problematica
Sebbene l'informazione sullo stato del canale (CSI) del WiFi abbia dimostrato potenziale per l'identificazione del passo di una singola persona in ambienti controllati, la sua fattibilità per l'identificazione multi-persona su hardware commodity a basso costo rimane incerta. La sfida principale è la separazione del segnale: quando più individui camminano simultaneamente, le loro firme del passo interferiscono e si mescolano all'interno della CSI ricevuta, creando una sovrapposizione che deve essere decomposta prima che possa avvenire l'identificazione individuale. La letteratura esistente suggerisce che, mentre configurazioni complesse (ad esempio, firmware modificati, array di antenne specializzati) possono ottenere la separazione, le prestazioni su dispositivi commodity rimangono modeste. La domanda centrale di ricerca affrontata da questo articolo è se le scarse prestazioni multi-persona derivino principalmente da limitazioni algoritmiche (modelli di separazione insufficienti) o da limiti fondamentali di rilevamento (sensing ceilings) inerenti all'hardware WiFi commodity (diversità spaziale e spettrale insufficiente).

Metodologia
Gli autori hanno condotto uno studio empirico sistematico utilizzando sensori WiFi ESP32 commodity operanti nella banda a 5 GHz (IEEE 802.11n). Lo studio ha intenzionalmente evitato la CSI a fase stabile di NIC specializzate per riflettere i vincoli realistici di implementazione su hardware a basso costo.

Raccolta Dati: Gli esperimenti sono stati condotti in due ambienti: un Laboratorio controllato (7m × 7m) e un'Aula realistica (5,4m × 9m) con arredi e traffico ambientale. Dieci partecipanti (età 20–40) hanno eseguito prove di camminata attraverso sette scenari che coinvolgevano da 1 a 10 persone.
Configurazione del Segnale: Il sistema ha catturato l'ampiezza della CSI per $k=3$ antenne attraverso $m=52$ sottoportanti portanti informazioni.
Algoritmi di Separazione: Sei distinti metodi di separazione cieca delle sorgenti (BSS) sono stati valutati sotto identiche condizioni di acquisizione per isolare la sensibilità algoritmica dai limiti di rilevamento:
1. FastICA (Indipendenza statistica)
2. SOBI (Struttura temporale del secondo ordine)
3. PCA–ICA (Ibrido tra riduzione della dimensionalità e separazione)
4. NMF (Fattorizzazione di matrici non negative; rappresentazione basata su parti additive)
5. Trasformata Wavelet (Decomposizione tempo-frequenza a multirisoluzione)
6. Decomposizione Tensoriale (Fattorizzazione multi-via che preserva le interazioni tra le modalità)
Pipeline di Valutazione: Le sorgenti separate sono state elaborate in vettori di caratteristiche (descrittori temporali, di frequenza e spaziali) e classificate utilizzando una Support Vector Machine (SVM) con kernel RBF.
Metriche Diagnostiche: Oltre all'accuratezza standard, gli autori hanno introdotto tre metriche per caratterizzare le modalità di fallimento:
- Variabilità Intra-Soggetto (ISV): Coerenza delle caratteristiche per lo stesso utente.
- Distinguibilità Inter-Soggetto (ISD): Separazione tra utenti diversi nello spazio delle caratteristiche.
- Tasso di Degradazione delle Prestazioni (PDR): Robustezza all'aumentare della densità della folla.

Risultati Chiave
Lo studio ha rilevato che tutti i metodi valutati hanno ottenuto prestazioni moderate, e nessun singolo algoritmo ha risolto il problema sottostante della separazione in presenza di folla densa.

Prestazioni di Classificazione: Il metodo con le migliori prestazioni è stato NMF, che ha raggiunto un'accuratezza del 56,00% e un F1-score del 48,00%. FastICA e SOBI sono seguiti con circa il 48–49% di accuratezza, mentre PCA–ICA è stato il peggiore con il 39,39%.
Sovrapposizione delle Caratteristiche: Un risultato critico è stata l'estremamente alta sovrapposizione nello spazio delle caratteristiche (97–99%) tra tutti i metodi. Ciò indica che anche i "migliori" algoritmi di separazione operano in un regime di forte intreccio d'identità piuttosto che di pulita separazione.
Trade-off tra Stabilità e Separabilità:
- La Decomposizione Tensoriale ha ottenuto la più alta Distinguibilità Inter-Soggetto (ISD) ma ha sofferto di un'estrema Variabilità Intra-Soggetto (ISV), il che significa che la rappresentazione per un singolo utente era instabile tra le prove.
- PCA–ICA ha offerto le rappresentazioni più stabili (bassa ISV) ma non è riuscito a fornire un potere discriminante sufficiente per l'identificazione.
- NMF ha fornito il bilanciamento più favorevole, migliorando le metriche di classificazione senza l'instabilità estrema dei modelli tensoriali o la bassa accuratezza di PCA.
Sensibilità Ambientale: Le prestazioni dipendevano fortemente dall'ambiente. La maggior parte dei metodi è migliorata nell'ambiente "ricco" di multipath dell'Aula, mentre la decomposizione tensoriale ha performato meglio nel Laboratorio controllato, suggerendo che la diversità multipath agisca come segnale utile o come interferenza strutturata a seconda dell'algoritmo.
Scalabilità: All'aumentare del numero di persone da 2 a 10, tutti i metodi hanno mostrato una degradazione delle prestazioni. La decomposizione tensoriale ha mostrato la migliore resilienza alla densità (minor tasso di degradazione), mentre Wavelet e PCA–ICA sono degradati più bruscamente.

Significatività e Rivendicazioni
L'articolo conclude che il collo di bottiglia per l'identificazione del passo multi-persona su dispositivi ESP32 commodity è fondamentalmente un limite di rilevamento (sensing), non solo algoritmico.

Vincoli Hardware: Il numero limitato di antenne (3) e sottoportanti (52) sull'hardware commodity fornisce una diversità spaziale e spettrale insufficiente per separare miscele dense di passi umani. Il problema è sottodeterminato; il segnale non contiene abbastanza informazioni utilizzabili per scindere gli utenti in modo affidabile.
Limiti Algoritmici: L'aumento della sofisticazione del modello (ad esempio, passando dalla decomposizione di matrici a quella tensoriale) non migliora monotonicamente le prestazioni perché gli algoritmi non possono compensare le informazioni mancanti nelle misurazioni. Gli algoritmi ridistribuiscono principalmente l'intreccio d'identità piuttosto che risolverlo.
Implicazioni per la Sicurezza e la Privacy:
- Autenticazione: La CSI del WiFi commodity è attualmente una base debole per un'autenticazione biometrica multi-utente robusta. L'alta sovrapposizione e la sensibilità ambientale rendono inaffidabile per decisioni di sicurezza che richiedono una separazione stabile dell'identità.
- Privacy: I risultati pongono importanti limiti alle minacce alla privacy. Sebbene il sensing RF passivo sia una preoccupazione, lo studio suggerisce che l'identificazione passiva densa utilizzando hardware WiFi economico e preconfezionato sia meno pratica di quanto spesso si assuma. Il segnale di rilevamento stesso non sembra supportare una separazione dell'identità affidabile in ambienti affollati e realistici.

Conclusione
Gli autori affermano che, sotto i vincoli della CSI di ESP32 commodity, l'identificazione del passo multi-persona densa è limitata più dalla qualità del rilevamento e dalla diversità spaziale che dalla scelta dell'algoritmo di separazione. Il progresso futuro in questo dominio richiederà probabilmente modalità di rilevamento più ricche (ad esempio, Massive MIMO, mmWave) o la fusione di sensori, piuttosto che raffinamenti incrementali degli algoritmi di separazione su l'attuale hardware a basso costo.