⚡ electrical engineering

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

이 논문은 Wi-Fi 7과 같은 차세대 표준의 발전된 센싱 능력을 활용하여, 빔 조향 가능 안테나와 Wi-Fi 채널 상태 정보(CSI)를 이용해 어디서나 가능한 인원 계수 및 재식별을 구현하는 것에 관한 테스트베드 연구를 제시한다.

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

게시일 2026-06-24

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신의 집 와이파이 공유기가 단순히 휴대폰을 인터넷에 연결하는 장치가 아니라, 벽 뒤나 어둠 속에 있는 사람까지도 몇 명인지 볼 수 있는 "보이지 않는 눈"이라고 상상해 보세요.

이 논문은 특수한 안테나를 사용하여 움직이지 않고도 여러 방향을 "볼" 수 있는 기술을 통해, 와이파이 신호로 집 안의 인원수를 파악할 수 있는지에 대한 실험을 설명합니다.

다음은 이들이 어떻게 실험을 진행했고 무엇을 발견했는지에 대한 내용을 쉬운 비유를 들어 정리한 것입니다.

1. "손전등" 안테나

보통의 와이파이 공유기는 방 중앙에 있는 전구처럼 모든 방향으로 신호를 보냅니다. 하지만 연구진들은 **빔 조향 안테나(Beam-Steerable Antennas)**가 탑재된 특수한 공유기를 사용했습니다.

이것은 줌 렌즈가 달린 손전등과 같습니다. 방 전체를 한꺼번에 밝히는 대신, 공유기는 거실을 향해 "와이파이 빔"을 조준했다가, 다시 주방을 향해 전환할 수 있습니다.

기술의 핵심: 공유기는 물리적으로 움직이지 않습니다. 단지 등대 불빛이 바다를 휩쓸 듯이, 신호의 형태를 바꿀 뿐입니다.
목표: 이러한 빔을 여러 지점에 조준함으로써, 시스템은 사람들이 어디에 서 있는지 더 나은 "스냅샷"을 얻을 수 있습니다.

2. "보이지 않는 눈"이 사람을 보는 방법

와이파이 신호가 방을 통과할 때, 신호는 벽, 가구, 그리고 사람에 부딪혀 반사됩니다.

비유: 동굴 속에서 소리를 지른다고 상상해 보세요. 동굴이 비어 있다면 메아리가 한 방식으로 들릴 것입니다. 하지만 누군가 동굴 한가운데 서 있다면, 목소리가 그 사람의 몸에 부딪히기 때문에 메아리가 다르게 들립니다.
과학적 원리: 연구진은 사람들이 돌아다닐 때 발생하는 미세한 와이파이 신호 변화(CSI)를 측정했습니다. 사람이 움직이면 신호를 차단하거나 튕겨내어 데이터에 고유한 "지문"을 남깁니다. 사람이 많아질수록 신호는 더 복잡해집니다.

3. 두 가지 계산 방식 (두뇌 활용법)

연구팀은 데이터를 처리하여 인원수를 세는 두 가지 서로 다른 방법을 테스트했습니다.

방법 A: "중앙 집중형 두뇌" (UL-F)
모든 와이파이 기기에서 나오는 가공되지 않은 데이터(raw data)가 메인 공유기(액세스 포인트)로 전송됩니다. 공유기는 거대한 슈퍼 브레인 역할을 하며, 모든 데이터를 한꺼번에 살펴보고 "좋아, 여기에는 5명이 있군"이라고 판단합니다.
방법 B: "팀워크" 방식 (DL-SL / 분할 학습)
이것은 계주 경기와 같습니다.
1. 노트북이나 스마트폰 같은 작은 와이파이 기기들이 먼저 약간의 계산을 수행합니다. 이 기기들은 신호를 보고 "내 생각엔 2명 혹은 3명이 있는 것 같아"라고 판단합니다.
2. 이 기기들은 가공되지 않은 데이터 전체가 아닌, 자신들의 의견만을 메인 공유기로 보냅니다.
3. 메인 공유기는 심판 역할을 하며, 이 모든 의견을 모아 최종 인원수를 결정합니다.
- 왜 이렇게 하나요? 이는 기기 내부의 데이터 프라이버시를 유지하고, 시스템을 더 빠르고 확장 가능하게 만들기 위해서입니다.

4. 테스트 하우스

그들은 단순히 컴퓨터로만 실험하지 않고, 실제 테스트 환경을 구축했습니다.

환경: 11개의 방이 있는 넓은 2층 집(340제곱미터)입니다.
실험: 사람들이 걷거나, 서 있거나, 무리로 움직이는 상황을 설정했습니다. 한 방에 1명부터 최대 8명까지 있는 시나리오를 테스트했습니다.
결과: 군중이 늘어남에 따라 와이파이 신호가 어떻게 변하는지 기록했습니다.

5. 발견한 점

빔이 많을수록 시야가 좋아짐: 하나의 "손전등" 각도만 사용했을 때는 완벽하지 않았습니다. 하지만 두 개의 서로 다른 빔 각도(빠르게 전환하며 사용)를 사용했을 때, 정확도가 약 10% 정도 유의미하게 향상되었습니다. 이는 물체를 한쪽 눈이 아닌 양쪽 눈으로 보는 것과 같습니다. 거리감과 디테일을 더 잘 파악하게 됩니다.
팀워크가 승리함: "팀워크" 방식(방법 B)이 일반적으로 "중앙 집중형 두뇌" 방식(방법 A)보다 더 효과적이었습니다. 특히 많은 인원(예: 움직이는 8명)을 셀 때 더 정확했습니다.
한계점: 이 시스템은 사람들이 움직일 때 가장 잘 작동합니다. 만약 모든 사람이 완벽하게 가만히 서 있다면 서로를 구별하기 어려워지지만, 이 시스템은 움직임을 감지하도록 설계되었습니다.

요요약

이 논문은 일반적인 와이파이 네트워크를 인원 계수기로 바꿀 수 있음을 증명합니다. 손전등처럼 신호를 "조향"할 수 있는 스마트 안테나를 사용하고, 데이터를 분석하기 위해 스마트한 팀워크 시스템을 활용함으로써, 카메라 없이도 넓은 집 안에서 움직이는 최대 8명의 인원을 성공적으로 측정했습니다.

이 논문이 말하지 않는 것:
이 논문은 이 기술이 누구인지 식별할 수 있다거나(얼굴 인식 등), 건강 상태를 진단할 수 있다고 주장하지 않습니다. 이 기술의 목적은 오직 얼마나 많은 사람이 있는지 숫자를 세는 것과 그들이 움직이고 있다는 것을 감지하는 것에 국한됩니다.

기술 요약: 빔 조향 안테나를 이용한 WiFi 기반 인원 계수

문제 정의
본 논문은 기존의 무선 주파수(RF) 인프라, 특히 WiFi 네트워크를 활용한 실내 인원 계수 및 식별 문제를 다룹니다. RF 센싱(또는 "WiFi 센싱")은 채널 상태 정보(CSI)를 통해 개인을 식별하고 움직임을 추적하는 데 유망한 성과를 보여왔으나, 현재의 시스템은 대개 정적인 안테나 구성에 의존합니다. 저자들은 방사 패턴을 동적으로 변경할 수 있는 패턴 재구성 가능 안테나 시스템(PARS)을 활용할 것을 제안합니다. 핵심 문제는 모니터링되는 공간 내에 존재하는 인간 피사체의 수( $X$ )를 결정하고, 신체 차단으로 인해 발생하는 CSI의 변화를 이용하여 이들의 움직임 패턴을 포착하는 것입니다. 이를 위해 표준 클라이언트 기기의 하드웨어 수정 없이도 신호 커버리지와 식별력을 높일 수 있는 빔 조향 능력을 활용합니다.

방법론
연구는 비가시선(NLOS) 조건에서의 기기 간 통신을 모사하도록 설계된 340 $m^2$ 규모의 2층 테스트 하우스(ADANT 테스토우스) 환경에서 수행되었습니다.

하드웨어 구성: 시스템은 5GHz 및 6GHz 대역에서 빔 조향(구체적으로 두 개의 조향 가능한 빔, 코드 21 및 42)을 지원하는 스마트 안테나 시스템이 장착된 WiFi 7 준수 액세스 포인트(AP) 게이트웨이로 구성됩니다. AP는 단일 안테나가 장착된 4개의 스테이션 디바이스(STA)에 연결되어 있습니다.
데이터 수집: AP와 STA는 업링크를 통해 통신합니다. AP는 $S=120$ 개의 사용 가능한 파일럿 부반송파에 걸친 위상 변화와 진폭 감쇄를 나타내는 CSI 데이터( $H_t(i, k)$ )를 수집합니다. 데이터는 30분간의 세션 동안 250ms 간격(초당 4개 샘플)으로 샘집되었습니다. 데이터셋은 빈 방부터 8명( $X=8$ )의 피사체가 움직이거나, 서 있거나, 그룹으로 걷는 시나리오까지 포함합니다.
신호 처리: 저자들은 움직임과 환경 변화를 감지하기 위해 슬라이딩 윈도우(연속된 7개의 WiFi 프레임)를 사용하여 CSI 진폭의 변화( $\Delta H_t(i, k)$ )를 계산합니다.
머신러닝 아키텍처: 두 가지 별도의 처리 아키텍처가 제안 및 평가되었습니다:
1. UL-F (Uplink Fusion): 4개 STA의 모든 CSI 데이터를 AP로 전송하며, 여기서 단일 XGBoost(Extreme Gradient Boosting) 결정 트리 모델이 인원수를 분류하도록 학습됩니다.
2. DL-SL (Downlink Split Learning): 로컬 CSI를 기반으로 예비 결정을 내리기 위해 각 STA에서 로컬 XGBoost 모델을 실행하는 분할 학습(Split Learning) 방식입니다. 이러한 부분적 결정은 AP로 전송되며, AP의 합성곱 신경망(CNN)이 최종 결정을 내리기 위해 이를 집계합니다. 이 방식은 원시 CSI 데이터를 로컬 STA에 유지합니다.

주요 기여

빔 조향 안테나 통합: 본 논문은 인원 계수를 위해 PARS 기술을 수정되지 않은 WiFi 신호와 통합하는 방법을 보여줍니다. 이는 동적으로 빔을 조향(코드 21 및 42)함으로써 커버리지를 개선하고, 다양한 점유 수준에 대해 뚜렷한 RF 지문을 생성할 수 있음을 입증합니다.
분할 학습 아키텍처: 저자들은 RF 센싱을 위한 "분할 학습(Split Learning)" 프레임워크(DL-SL)를 제안하고 검증했습니다. 이 아키텍처는 계산 부하를 분산하여 STA가 로컬 추론(XGBoost)을 수행하게 하고, AP가 집계(CNN)를 담당하게 함으로써, 원시 CSI를 네트워크 외부로 노출하지 않고 데이터 프라이버시 및 확장성 문제를 해결합니다.
포괄적인 테스트베드 평가: 본 연구는 대규모의 실제 주거 환경 내에서 실험적 검증을 제공하며, 다양한 피사체 수(1~8명)와 다양한 빔 구성에 대해 시스템을 테스트합니다.

결과

빔 성능: 빔 패턴 42와 비교했을 때 빔 패턴 21을 사용할 경우 눈에 띄는 성능 저하가 관찰되었습니다. 그러나 두 빔 패턴을 결합하여 사용하면 높은 피사체 밀도(예: $X=8$ ) 시나리오에서 정확도가 약 10% 향상되는 등 성능이 크게 개선되었습니다.
아키텍처 비교: DL-SL(분할 학습) 아키텍처가 UL-F(업링크 퓨전) 방식보다 일관되게 우수한 성능을 보였습니다. 분산 처리 모델이 인원 계수 작업에서 더 뛰어난 정확도를 입증했습니다.
안테나 다양성: AP의 수신(RX) 안테나 수를 $M_R=1$ 에서 $M_R=4$ 로 늘리면 예상대로 전체적인 계수 정확도가 향려되었습니다.
혼동 분석: 혼동 행렬(Confusion matrices) 결과, 두 빔 패턴을 공동으로 사용하는 것이 높은 타겟 수( $X > 4$ )를 식별할 때 특히 유익했으며, 단일 빔을 사용할 때보다 오분류율을 낮추는 것으로 나타났습니다.

의의 및 주장
본 논문은 패턴 재구성 가능 안테나 시스템이 방사 에너지를 특정 영역으로 채널화함으로써 복잡한 환경에서도 RF 센싱의 견고성을 높일 수 있는 새로운 기회를 제공한다고 주장합니다. 저자들은 제안된 빔 공간 처리 아키텍처, 특히 분할 학습 모델이 미래의 RF 센싱 시스템을 위한 확장 가능한 솔루션을 제공한다고 단언합니다. 본 연구는 이러한 기술들이 스마트 안테나 업그레이드를 통해 기존 WiFi 인프라를 사용하여 클라이언트 기기(STA)의 변경 없이도 침입 탐지 및 빌딩 자동화 애플리케이션을 위한 동작 감지 및 인원 계수 서비스를 지원할 수 있음을 검증합니다.