⚡ electrical engineering

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

Questo articolo presenta uno studio su banco di prova sull'uso di antenne con formazione del fascio (beam-steerable) e delle informazioni sullo stato del canale (CSI) del Wi-Fi per consentire il conteggio ubiquo delle persone e la loro riidentificazione, sfruttando le avanzate capacità di rilevamento di standard futuri come il Wi-Fi 7.

Autori originali: Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

Pubblicato 2026-06-24

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

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 che il router Wi-Fi di casa tua non sia solo un dispositivo che connette il tuo telefono a Internet. Immagina che sia anche una coppia di "occhi invisibili" capaci di vedere quante persone ci sono in una stanza, anche se si trovano dietro un muro o al buio.

Questo documento descrive un test per vedere se possiamo usare i segnali Wi-Fi per contare le persone in una casa, utilizzando un tipo speciale di antenna che può "guardare" in diverse direzioni senza muoversi.

Ecco la suddivisionione di come lo hanno fatto e di cosa hanno scoperto, usando analogie semplici:

1. L'antenna "Torcia"

Di solito, un router Wi-Fi invia segnali in tutte le direzioni, come una lampadina al centro di una stanza. Ma i ricercatori hanno utilizzato un router speciale con Antenne a Formazione del Fascio (Beam-Steerable Antennas).

Immagina questo come una torcia con un obiettivo zoom. Invece di illuminare tutta la stanza in una volta sola, il router può puntare il suo "fascio Wi-Fi" specificamente verso il soggiorno, poi cambiare e puntarlo verso la cucina.

Il Trucco: Il router non si muove fisicamente. Cambia solo la forma del segnale, come il fascio di un faro che spazza il mare.
L'Obiettivo: Puntando questi fasci in diversi punti, il sistema può ottenere un "fermo immagine" migliore di dove si trovano le persone.

2. Come gli "Occhi Invisibili" vedono le persone

Quando i segnali Wi-Fi viaggiano attraverso una stanza, rimbalzano su pareti, mobili e persone.

L'Analogia: Immagina di gridare in una grotta. Se la grotta è vuota, il tuo eco suona in un certo modo. Se qualcuno sta in piedi nel mezzo della grotta, il tuo eco suona diversamente perché la tua voce ha colpito il suo corpo.
La Scienza: I ricercatori hanno misurato minuscoli cambiamenti nel segnale Wi-Fi (chiamati CSI) mentre le persone camminavano. Quando una persona si muove, blocca o fa rimbalzare il segnale, creando un "impronta digitale" unica sui dati. Più persone ci sono, più il segnale diventa complesso.

3. I due modi di contare (La capacità cerebrale)

Il team ha testato due modi diversi per elaborare questi dati per contare le persone:

Metodo A: Il "Cervello Centrale" (UL-F)
Tutti i dati grezzi dai dispositivi Wi-Fi vengono inviati al router principale (l'Access Point). Il router agisce come un enorme super-cervello, guardando tutti i dati contemporaneamente per decidere: "Ok, ci sono 5 persone qui dentro".
Metodo B: L'approccio del "Lavoro di Squadra" (DL-SL / Split Learning)
Questo è come una staffetta.
1. I piccoli dispositivi Wi-Fi (come il tuo laptop o il tuo telefono) fanno un po' di calcoli prima. Guardano il segnale e dicono: "Penso di vedere 2 o 3 persone".
2. Inviano solo la loro opinione (non i dati grezzi) al router principale.
3. Il router principale agisce come un arbitro, prendendo tutte quelle opinioni e combinandole per fare il conteggio finale.
- Perché farlo? Questo mantiene la privacy dei dati grezzi sui dispositivi e rende il sistema più veloce e scalabile.

4. La Casa di Test

Non l'hanno fatto solo su un computer; hanno costruito un vero ambiente di test.

L'Ambiente: Una grande casa su due piani (340 metri quadrati) con 11 stanze.
L'Esperimento: Hanno fatto camminare, stare in piedi e muoversi in gruppo delle persone. Hanno testato scenari con 1 persona fino a 8 persone nella stessa stanza.
Il Risultato: Hanno registrato come cambiava il segnale Wi-Fi man mano che la folla cresceva.

5. Cosa hanno scoperto

Più fasci = Migliore visione: Usare un solo angolo di "torcia" non era perfetto. Ma quando hanno usato due diversi angoli di fascio (passando rapidamente dall'uno all'altro), l'accuratezza è migliorata significativamente (di circa il 10%). È come guardare un oggetto con entrambi gli occhi invece che con uno solo; si ottiene un senso migliore di profondità e dettaglio.
Il lavoro di squadra vince: L'approccio del "Lavoro di Squadra" (Metodo B) generalmente funzionava meglio dell'approccio del "Cervello Centrale" (Metodo A). Era più accurato nel contare numeri elevati di persone (come 8 persone che si muovono).
Il Limite: Il sistema funziona meglio quando le persone si muovono. Se tutti stanno perfettamente fermi, è più difficile distinguerli, ma il sistema è progettato per rilevare il movimento.

Riassunto

Il documento dimostra che è possibile trasformare una normale rete Wi-Fi in un contatore di persone. Usando antenne intelligenti che possono "indirizzare" i loro segnali come torce, e usando un sistema intelligente di lavoro di squadra per analizzare i dati, sono riusciti a contare con successo fino a 8 persone in movimento in una grande casa senza usare alcuna telecamera.

Ciò che il documento non dice:
Il documento non afferma che questo possa identificare chi sono le persone (come il riconoscimento facciale), né afferma che possa diagnosticare problemi di salute. Si tratta esclusivamente di contare quante persone sono presenti e rilevare che si stanno muovendo.

Sintesi Tecnica: Conteggio delle Persone Basato su WiFi Utilizzando Antenne con Beam-Steering

Definizione del Problema
Il documento affronta la sfida del conteggio e della discriminazione delle persone in ambienti interni utilizzando l'infrastruttura RF esistente, specificamente le reti WiFi. Sebbene il rilevamento RF (o "WiFi sensing") abbia mostrato potenziale nell'identificare individui e tracciare i movimenti attraverso l'Informazione sullo Stato del Canale (CSI), gli attuali sistemi si affidano spesso a configurazioni di antenne statiche. Gli autori propongono di sfruttare i Sistemi di Antenne Riconfigurabili per Modelli (PARS) per alterare dinamicamente i diagrammi di radiazione. Il problema centrale è determinare il numero di soggetti umani co-presenti ( $X$ ) in uno spazio monitorato e catturare i loro modelli di movimento, sfruttando le variazioni della CSI causate dal blocco del corpo, utilizzando le capacità di beam-steering per migliorare la copertura del segnale e la discriminazione senza richiedere modifiche hardware ai comuni dispositivi client.

Metodologia
Lo studio è stato condotto in un ambiente di test-house a due piani di 340 mq (ADANT testhouse), progettato per emulare un ambiente residenziale realistico con condizioni di Non-Line-of-Sight (NLOS) tra i dispositivi.

Configurazione Hardware: Il sistema consiste in un gateway Access Point (AP) conforme allo standard WiFi 7, dotato di un sistema di antenne intelligenti che supporta il beam-steering (specificamente due fasci orientabili, codici 21 e 42) nelle bande a 5GHz e 6GHz. L'AP è collegato a quattro dispositivi Station (STA), ciascuno dotato di una singola antenna.
Raccolta Dati: L'AP e gli STA comunicano tramite uplink. L'AP raccoglie i dati CSI ( $H_t(i, k)$ ) che rappresentano lo sfasamento e l'attenuazione di ampiezza attraverso $S=120$ sottoportanti pilota utilizzabili. I dati sono stati campionati a intervalli di 250ms (4 campioni/secondo) durante sessioni di 30 minuti. Il dataset include scenari che vanno da una stanza vuota a $X=8$ soggetti che si muovono, stanno in piedi o camminano in gruppo.
Elaborazione del Segnale: Gli autori calcolano la variazione dell'ampiezza della CSI ( $\Delta H_t(i, k)$ ) su una finestra scorrevole di 7 frame WiFi consecutivi per rilevare movimenti e cambiamenti ambientali.
Architetture di Machine Learning: Sono state proposte e valutate due distinte architetture di elaborazione:
1. UL-F (Uplink Fusion): Tutti i dati CSI dei quattro STA vengono trasmessi all'AP, dove un singolo modello ad albero decisionale XGBoost (Extreme Gradient Boosting) viene addestrato per classificare il numero di persone.
2. DL-SL (Downlink Split Learning): Un approccio di split learning in cui modelli XGBoost locali vengono eseguiti su ogni STA per generare decisioni preliminari basate sulla CSI locale. Queste decisioni parziali vengono trasmesse all'AP, dove una Rete Neurale Convoluzionale (CNN) le aggrega per prendere una decisione finale. Questo approccio mantiene i dati CSI grezzi locali agli STA.

Contributi Chiave

Integrazione di Antenne con Beam-Steerable: Il documento dimostra l'integrazione della tecnologia PARS con segnali WiFi non modificati per il conteggio delle persone. Dimostra che l'orientamento dinamico dei fasci (codici 21 e 42) può migliorare la copertura e creare impronte digitali RF distinte per diversi livelli di occupazione.
Architettura di Split Learning: Gli autori propongono e validano un framework di "Split Learning" (DL-SL) per il sensing RF. Questa architettura distribuisce il carico computazionale, consentendo agli STA di eseguire l'inferenza locale (XGBoost) mentre l'AP gestisce l'aggregazione (CNN), affrontando le preoccupazioni di scalabilità e privacy dei dati mantenendo la CSI grezza fuori dalla rete.
Valutazione del Test-bed Completa: Lo studio fornisce una validazione empirica all'interno di un ambiente residenziale su larga scala e realistico, testando il sistema contro diversi numeri di soggetti (da 1 a 8) e diverse configurazioni di beam.

Risultati

Prestazioni del Beam: Si è notata una degradazione delle prestazioni quando veniva utilizzato il pattern di beam 21 rispetto al pattern 42. Tuttavia, l'uso combinato di entrambi i pattern di beam ha migliorato significativamente l'accuratezza, aumentandola di circa il 10% in scenari con alta densità di soggetti (es. $X=8$ ).
Confronto tra Architetture: L'architettura DL-SL (Split Learning) ha superato costantemente l'approccio UL-F (Uplink Fusion). Il modello di elaborazione distribuita ha dimostrato un'accuratezza superiore nei compiti di conteggio.
Diversità delle Antenne: L'aumento del numero di antenne RX all'AP da $M_R=1$ a $M_R=4$ ha migliorato l'accuratezza complessiva del conteggio, come previsto.
Analisi della Confusione: Le matrici di confusione hanno rivelato che l'uso congiunto di entrambi i pattern di beam è stato particolarmente vantaggioso nel discriminare tra un alto numero di target ( $X > 4$ ), riducendo i tassi di misclassificazione rispetto all'uso di singoli beam.

Significatività e Rivendicazioni
Il documento afferma che i Sistemi di Antenne Riconfigurabili per Modello offrono una nuova opportunità per il sensing passivo su scala umana, canalizzando l'energia di radiazione verso aree specifiche, migliorando così la robustezza del sensing RF in ambienti complessi. Gli autori asseriscono che la loro proposta architettura di elaborazione in spazio di fascio (beam-space), in particolare il modello di split learning, fornisce una soluzione scalabile per i futuri sistemi di sensing RF. Lo studio valida che queste tecnologie possono supportare servizi di rilevamento del movimento e di conteggio delle persone nelle reti WiFi residenziali, aprendo la strada ad applicazioni nel rilevamento delle intrusioni e nell'automazione degli edifici. Il lavoro sottolinea che tali capacità possono essere ottenute utilizzando l'infrastruttura WiFi esistente con aggiornamenti di antenne intelligenti, senza richiedere modifiche ai dispositivi client (STA).