⚡ electrical engineering

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

本論文は、Wi-Fi 7のような次世代規格の高度なセンシング能力を活用し、ビームステアリング・アンテナとWi-Fiチャネル状態情報（CSI）を用いて、遍在的な人数カウントおよび再識別を可能にするためのテストベッド研究を提示するものである。

原著者： Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

公開日 2026-06-24

📖 1 分で読めます☕ さくっと読める

原著者： Riccardo Bersan, Anay Ajit Deshpande, Sanaz Kianoush, Daniele Piazza, Stefano Savazzi

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたの家のWi-Fiルーターが、単にスマートフォンをインターネットに接続するためのデバイスではないと想像してみてください。それは、壁の向こう側や暗闇の中にいても、部屋に何人の人がいるかを見ることができる「見えない目」を備えたデバイスでもあるのです。

この論文は、特殊なアンテナを使用して（動かずに様々な方向を「見る」ことができるもの）、Wi-Fi信号を使って家の中の人数をカウントできるかどうかを検証するテストについて記述しています。

以下に、彼らがどのように行い、何を発見したのかを、簡単な比喩を用いて解説します。

1. 「懐中電灯」アンテナ

通常のWi-Fiルーターは、部屋の中央にある電球のように、あらゆる方向に信号を飛ばします。しかし、研究者たちは**ビームステアリング・アンテナ（指向性アンテナ）**を備えた特別なルーターを使用しました。

これは、ズームレンズ付きの懐中電灯のようなものです。部屋全体を一斉に照らすのではなく、ルーターはリビングルームに向けて「Wi-Fiビーム」を絞り込み、次にキッチンへと切り替えて狙いを定めることができます。

仕掛け: ルーターは物理的に動きません。ただ、海を掃く灯台の光のように、信号の形を変えているだけです。
目的: これらのビームを異なる場所に狙わせることで、システムは人々がどこに立っているのか、より優れた「スナップショット」を得ることができます。

2. 「見えない目」が人々を見る仕組み

Wi-Fi信号が部屋を通過するとき、信号は壁や家具、そして人間に跳ね返ります。

比喩: 洞窟の中で叫ぶ場面を想像してください。洞窟が空っぽであれば、エコー（反響音）はある方向に聞こえます。しかし、もし誰かが洞窟の真ん中に立っていれば、その人の体に当たって跳ね返るため、エコーの聞こえ方は変わります。
科学的原理: 研究者たちは、人々が動き回る際のWi-Fi信号の微細な変化（CSIと呼ばれるもの）を測定しました。人が動くと、信号を遮ったり反射させたりするため、データ上にユニークな「指紋」のような変化が生じます。人数が増えるほど、信号はより複雑になります。

3. 2つのカウント方法（脳の使い道）

チームは、このデータを処理して人数を数えるための2つの異なる方法をテストしました。

方法A：「中央の脳」（UL-F）
すべてのWi-Fiデバイスからの生のデータは、メインのルーター（アクセスポイント）に送られます。ルーターは巨大なスーパー脳として機能し、すべてのデータを一度に見て、「よし、ここに5人の人がいる」と判断します。
方法B：「チームワーク」アプローチ（DL-SL / 分割学習）
これはリレーレースのようなものです。
1. 小さなWi-Fiデバイス（ノートパソコンやスマートフォンなど）が、まず計算を少しだけ行います。信号を見て、「2人か3人の人がいるようだ」と判断します。
2. 彼らは生のデータではなく、その「意見」だけをメインのルーターに送ります。
3. メインのルーターは審判として機能し、それらの意見を集約して最終的な人数を決定します。
- なぜこれを行うのか？: 生のデータをデバイス内に保持することでプライバシーを守り、システムをより高速かつ拡張しやすくするためです。

4. テスト用の家

彼らは単にコンピュータ上で行っただけでなく、実際のテスト環境を構築しました。

設定: 11の部屋がある、広さ340平方メートルの2階建ての大きな家。
実験: 人々が歩いたり、立ったり、グループで動いたりする様子をテストしました。1人から、同じ部屋に8人がいるシナリオまでテストを行いました。
結果: 人が増えるにつれてWi-Fi信号がどのように変化するかを記録しました。

5. 発見したこと

ビームが多いほど、視界は良くなる: 1つの「懐中電灯」の角度だけでは完璧ではありませんでした。しかし、2つの異なるビーム角度（素早く切り替えながら）を使用すると、精度が大幅に向上しました（約10%向上）。これは、片目ではなく両目を使って物体を見るようなものです。物体の奥行きや詳細をより良く把握できるようになります。
チームワークの勝利: 「チームワーク」アプローチ（方法B）は、一般的に「中央の脳」アプローチ（方法A）よりも優れた結果を示しました。多くの人数（移動している8人など）を数える際、より正確でした。
限界: このシステムは、人々が動いているときに最もよく機能します。全員が完全に静止していると、個々の識別が難しくなりますが、システムは動きを検知するように設計されています。

まとめ

この論文は、標準的なWi-Fiネットワークを人数カウンターに変えることができることを証明しています。懐中電灯のように信号を「操る」ことができるスマートなアンテナを使用し、データを分析するためにスマートなチームワーク・システムを用いることで、カメラを使うことなく、大きな家の中で動いている最大8人の人数を数えることに成功しました。

この論文が述べていないこと:
この論文は、この技術が「誰であるか」を特定できる（顔認識など）ことや、健康状態を診断できることについては主張していません。これはあくまで、そこに「何人の人がいるか」を数え、彼らが「動いていること」を検知することに特化したものです。

技術要約：ビームステアリング型アンテナを用いたWiFiベースの人流カウント

問題提起
本論文は、既存の無線周波数（RF）インフラストラクチャ、具体的にはWiFiネットワークを用いた屋内での人数カウントおよび識別における課題に取り組んでいる。RFセンシング（または「WiFiセンシング」）は、チャネル状態情報（CSI）を通じて個人の識別や動きの追跡を行う上で有望であることを示してきたが、現在のシステムは多くの場合、静的なアンテナ構成に依存している。著者らは、放射パターンを動的に変化させるパターン再構成可能アンテナシステム（PARS）を活用することを提案している。核心となる問題は、身体による遮蔽によって生じるCSIの変化を利用して、監視空間内に存在する人間（ $X$ ）の数と彼らの動きのパターンを捉えることである。この際、標準的なクライアントデバイスへのハードウェア変更を必要とせずに、ビームステアリング機能を利用して信号のカバレッジと識別能を高めることを目的としている。

手法
本研究は、非見通し（NLOS）条件下のデバイス間通信を模した、現実的な住宅環境（ADANT テストハウス）である340平米の2階建てテストハウスにおいて実施された。

ハードウェア構成: システムは、ビームステアリング（具体的には5GHzおよび6GHz帯におけるコード21および42の2つのステアラブルビーム）をサポートするスマートアンテナシステムを備えたWiFi 7準拠のアクセスポイント（AP）ゲートウェイで構成されている。APは、それぞれ単一のアンテナを備えた4つのステーションデバイス（STA）に接続されている。
データ収集: APとSTAはアップリンクを介して通信する。APは、 $S=120$ 個の利用可能なパイロットサブキャリアにわたる位相シフトと振幅減衰を表すCSIデータ（ $H_t(i, k)$ ）を収集する。データは250ms間隔（4サンプル/秒）で、30分間のセッションにわたってサンプリングされた。データセットには、空の部屋から、最大 $X=8$ 人の被験者が動き、立ち、あるいはグループで歩行するシナリオが含まれる。
信号処理: 著者らは、動きや環境の変化を検出するために、スライディングウィンドウを用いて7つの連続するWiFiフレームにわたるCSI振幅の変化（ $\Delta H_t(i, k)$ ）を計算している。
機械学習アーキテクチャ: 2つの異なる処理アーキテクチャが提案され、評価された：
1. UL-F (Uplink Fusion): 4つのSTAからのすべてのCSIデータがAPに送信され、単一のXGBoost（Extreme Gradient Boosting）決定木モデルが人数を分類するために学習される。
2. DL-SL (Downlink Split Learning): 分割学習（Split Learning）アプローチであり、各STA上でローカルなXGBoostモデルを実行して、ローカルなCSIに基づく予備的な決定を下す。これらの部分的な決定はAPに送信され、CNN（畳み나ニューラルネットワーク）がそれらを集約して最終的な決定を下す。このアプローチでは、生のCSIデータをSTA内に保持する。

主な貢献

ビームステアラブルアンテナの統合: 本論文は、PARs技術を修正されていないWiFi信号と統合し、人数カウントを行うことを実証している。ビーム（コード21および42）を動的にステアリングすることで、カバレッジを改善し、異なる占有レベルに対して明確なRFフィンガープリントを作成できることを示している。
分割学習アーキテクチャ: 著者らは、RFセンシングのための「分割学習（Split Learning）」フレームワーク（DL-SL）を提案し、検証した。このアーキテクチャは、STAsがローカルな推論（XGBoost）を実行できる一方で、APが集約を処理できるように計算負荷を分散させ、生のCSIをネットワーク上に流さないことで、スケーラビリティとデータプライバシーの懸念に対処する。
包括的なテストベッド評価: 研究は、大規模かつ現実的な住宅環境内での経験的な検証を提供しており、異なる数の被験者（1〜8人）および異なるビーム構成に対してシステムをテストしている。

結果

ビーム性能: ビームパターン42と比較して、ビームパターン21を使用した場合に顕著な性能低下が見られた。しかし、両方のビームパターンを組み合わせて使用することで、被験者密度が高いシナリオ（例： $X=8$ ）において精度が約10%向上し、精度が大幅に改善された。
アーキテクチャの比較: DL-SL（分割学習）アーキテクチャは、UL-F（アップリンク・フュージョン）アプローチを一貫して上回った。分散処理モデルは、カウントタスクにおいて優れた精度を示した。
アンテナダイバーシティ: APの受信アンテナ数（ $M_R$ ）を1から4に増やすことで、予想通り、全体的なカウント精度が向上した。
混乱分析: 混同行列（Confusion matrices）により、両方のビームパターンを共同で使用することが、特にターゲット数が多い場合（ $X > 4$ ）において、誤分類率を減少させる上で特に有益であることが明らかになった。

意義と主張
本論文は、パターン再構成可能アンテナシステムが、放射エネルギーを特定の領域にチャネル化することで、複雑な環境におけるRFセンシングの堅牢性を向上させ、人間規模のパッシブセンシングのための新たな機会を提供すると主張している。著者らは、提案されたビームスペース処理アーキテクチャ、特に分割学習モデルが、将来のRFセンシングシステムのためのスケーラブルなソリューションを提供すると断言している。本研究は、これらの技術が住宅用WiFiネットワーク内で動きの検出や人数カウントサービスをサポートできることを検証しており、侵入検知やビルオートメーションへの応用への道を開くものである。本研究は、これらの機能が、クライアントデバイス（STA）に変更を加えることなく、スマートアンテナのアップグレードを伴う既存のWiFiインフラストラクチャを使用して達成できることを強調している。