⚡ electrical engineering

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

Dit artikel presenteert een testbed-studie naar het gebruik van beam-steerbare antennes en Wi-Fi Channel State Information (CSI) om alomvattende mensentelling en re-identificatie mogelijk te maken, waarbij gebruik wordt gemaakt van de geavanceerde sensorkeuzes van toekomstige standaarden zoals Wi-Fi 7.

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

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de Wi-Fi-router in je huis niet alleen een apparaat is dat je telefoon met het internet verbindt. Stel je voor dat het ook een paar "onzichtbare ogen" zijn die kunnen zien hoeveel mensen er in een kamer zijn, zelfs als ze achter een muur staan of in het donker zijn.

Dit artikel beschrijft een test om te zien of we Wi-Fi-signalen kunnen gebruiken om mensen in een huis te tellen, met behulp van een speciaal soort antenne die in verschillende richtingen kan "kijken" zonder te bewegen.

Hier is de uitleg over hoe ze het deden en wat ze ontdekten, met eenvoudige analogieën:

1. De "Zaklamp"-antenne

Normaal gesproken zendt een Wi-Fi-router signalen in alle richtingen uit, zoals een gloeilamp in het midden van een kamer. Maar de onderzoekers gebruikten een speciale router met Beam-Steerable Antennas (straalbestuurbare antennes).

Denk hierbij aan een zaklamp met een zoomlens. In plaats van in één keer de hele kamer te verlichten, kan de router zijn "Wi-Fi-straal" specifiek op de woonkamer richten, en dan overschakelen om op de keuken te richten.

De truc: De router beweegt niet fysiek. Hij verandert alleen de vorm van het signaal, zoals een vuurtorenstraal die over de zee veegt.
Het doel: Door deze stralen op verschillende plekken te richten, kan het systeem een betere "momentopname" maken van waar mensen staan.

2. Hoe de "Onzichtbare Ogen" Mensen Zien

Wanneer Wi-Fi-signalen door een kamer reizen, weerkaatsen ze tegen muren, meubels en mensen.

De analogie: Stel je voor dat je in een grot roept. Als de grot leeg is, klinkt je echo op één manier. Als er iemand in het midden van de grot staat, klinkt je echo anders omdat je stem tegen hun lichaam botst.
De wetenschap: De onderzoekers maten minuscule veranderingen in het Wi-Fi-signaal (genaamd CSI) terwijl mensen rondliepen. Wanneer een persoon beweegt, blokkeert of reflecteert deze persoon het signaal, wat een unieke "vingerafdruk" op de gegevens achterlaat. Hoe meer mensen er zijn, hoe complexer het signaal wordt.

3. De Twee Manieren van Tellen (De Breinkracht)

Het team testte twee verschillende manieren om deze gegevens te verwerken om de mensen te tellen:

Methode A: Het "Centrale Brein" (UL-F)
Alle ruwe gegevens van de Wi-Fi-apparaten worden naar de hoofdrouter (het Access Point) gestuurd. De router fungeert als een gigantisch superbrein dat alle gegevens tegelijk bekijkt om te beslissen: "Oké, er zijn 5 mensen in deze ruimte."
Methode B: De "Teamwork"-aanpak (DL-SL / Split Learning)
Dit is als een estafette.
1. De kleine Wi-Fi-apparaten (zoals je laptop of telefoon) doen eerst een beetje van het rekenwerk. Ze kijken naar het signaal en zeggen: "Ik denk dat ik 2 of 3 mensen zie."
2. Ze sturen alleen hun mening (niet de ruwe gegevens) naar de hoofdrouter.
3. De hoofdrouter fungeert als een scheidsrechter, die al die meningen verzamelt en combineert om tot het definitieve aantal te komen.
- Waarom dit doen? Dit houdt de ruwe gegevens privé op de apparaten en maakt het systeem sneller en schaalbaarder.

4. Het Testhuis

Ze hebben dit niet alleen op een computer gedaan; ze hebben een echte testomgeving gebouwd.

De omgeving: Een groot huis met twee verdiepingen (340 vierkante meter) met 11 kamers.
Het experiment: Ze lieten mensen lopen, staan en in groepen bewegen. Ze testten scenario's met 1 persoon tot en met 8 mensen in dezelfde kamer.
Het resultaat: Ze registreerden hoe het Wi-Fi-signaal veranderde naarmate de menigte groeide.

5. Wat Ze Hebben Ontdekt

Meer stralen = Beter zicht: Het gebruik van slechts één "zaklamp"-hoek was niet perfect. Maar toen ze twee verschillende straalhoeken gebruikten (door snel heen en weer te schakelen), verbeterde de nauwkeurigheid aanzienlijk (met ongeveer 10%). Het is alsof je naar een object kijkt met beide ogen in plaats van met één oog; je krijgt een beter gevoel voor diepte en detail.
Teamwork wint: De "Teamwork"-aanpak (Methode B) werkte over het algemeen beter dan de "Centrale Brein"-aanpak (Methode A). Het was nauwkeuriger bij het tellen van hoge aantallen mensen (zoals 8 mensen die rondbewegen).
De Limiet: Het systeem werkt het beste wanneer mensen bewegen. Als iedereen perfect stilstaat, is het moeilijker om hen van elkaar te onderscheiden, maar het systeem is ontworpen om beweging te detecteren.

Samenvatting

Het artikel bewijst dat je een standaard Wi-Fi-netwerk kunt veranderen in een teller van mensen. Door slimme antennes te gebruiken die hun signalen kunnen "sturen" als zaklampen, en door een slim teamwork-systeem te gebruiken om de gegevens te analyseren, hebben ze succesvol tot 8 mensen geteld die in een groot huis bewogen, zonder gebruik te maken van camera's.

Wat het artikel niet zegt:
Het artikel beweert niet dat dit kan identificeren wie de mensen zijn (zoals het herkennen van je gezicht), noch beweert het dat het gezondheidsproblemen kan diagnosticeren. Het gaat uitsluitend over het tellen van hoeveel mensen aanwezig zijn en het detecteren dat zij in beweging zijn.

Technische Samenvatting: WiFi-gebaseerde Mensenvertelling met Beam-Steerable Antennes

Probleemstelling
Het artikel behandelt de uitdaging van het tellen van mensen en discriminatie binnenshuis met behulp van bestaande Radio Frequentie (RF) infrastructuur, specifiek WiFi-netwerken. Hoewel RF-sensing (of "WiFi-sensing") veelbelovend is gebleken voor het identificeren van individuen en het volgen van bewegingen via Channel State Information (CSI), vertrouwen huidige systemen vaak op statische antenneconfiguraties. De auteurs stellen voor om Pattern-Reconfigurable Antenna Systems (PARS) te benutten om stralingspatronen dynamisch te wijzigen. Het kernprobleem is het bepalen van het aantal aanwezige menselijke subjecten ( $X$ ) in een gemonitorde ruimte en het vastleggen van hun bewegingspatronen door gebruik te maken van de variaties in CSI veroorzaakt door lichaamsblokkade, waarbij gebruik wordt gemaakt van beam-steering mogelijkheden om de signaaldekking en discriminatie te verbeteren zonder hardwarematige aanpassingen aan standaard cliëntapparaten te vereisen.

Methodologie
De studie werd uitgevoerd in een testhuis-omgeving van 340 m², bestaande uit twee verdiepingen (ADANT testhouse), ontworpen om een realistische residentiële setting met Non-Line-of-Sight (NLOS) condities tussen apparaten na te bootsen.

Hardware Setup: Het systeem bestaat uit een WiFi 7-conforme Access Point (AP) gateway uitgerust met een smart antenne-systeem dat beam-steering ondersteunt (specifiek twee steerbare beams per antenne, codes 21 en 42) in de 5GHz en 6GHz banden. De AP is verbonden met vier Station Devices (STAs), die elk zijn uitgerust met een enkele antenne.
Dataverzameling: De AP en STAs communiceren via uplink. De AP verzamelt CSI-data ( $H_t(i, k)$ ) die de faseverschuiving en amplitude-attenuatie vertegenwoordigen over $S=120$ bruikbare pilot subcarriers. De data werd gesampled met intervallen van 250ms (4 samples/sec) tijdens sessies van 30 minuten. De dataset bevat scenario's variërend van een lege kamer tot $X=8$ subjecten die bewegen, staan of in groepen lopen.
Signaalverwerking: De auteurs berekenen de variatie in CSI-amplitude ( $\Delta H_t(i, k)$ ) over een sliding window van 7 opeenvolgende WiFi-frames om beweging en omgevingsveranderingen te detecteren.
Machine Learning Architecturen: Er werden twee verschillende verwerkingsarchitecturen voorgesteld en geëvalueerd:
1. UL-F (Uplink Fusion): Alle CSI-data van de vier STAs wordt naar de AP verzonden, waar een enkel XGBoost (Extreme Gradient Boosting) beslisboommodel wordt getraind om het aantal mensen te classificeren.
2. DL-SL (Downlink Split Learning): Een split learning-benadering waarbij lokale XGBoost-modellen op elke STA draaien om voorlopige beslissingen te nemen op basis van lokale CSI. Deze gedeeltelijke beslissingen worden naar de AP verzonden, waar een Convolutioneel Neuraal Netwerk (CNN) deze aggregeert om een definitieve beslissing te nemen. Deze aanpak houdt de ruwe CSI-data lokaal op de STAs.

Belangrijkste Bijdragen

Integratie van Beam-Steerable Antennes: Het artikel demonstreert de integratie van PARS-technologie met ongewijzigde WiFi-signalen voor het tellen van mensen. Het toont aan dat het dynamisch sturen van beams (codes 21 en 42) de dekking kan verbeteren en onderscheidende RF-vingerafdrukken kan creëren voor verschillende bezettingsniveaus.
Split Learning Architectuur: De auteurs stellen een "Split Learning"-framework (DL-SL) voor en valideren dit voor RF-sensing. Deze architectuur verdeelt de computationele last, waardoor STAs lokale inferentie (XGBoost) kunnen uitvoeren terwijl de AP de aggregatie afhandelt (CNN), wat schaalbaarheid en zorgen over gegevensprivacy aanpakt door de ruwe CSI buiten het netwerk te houden.
Uitgebreide Testbed Evaluatie: De studie biedt empirische validatie binnen een grootschalige, realistische residentiële omgeving, waarbij het systeem wordt getest tegen variërende aantallen subjecten (1 tot 8) en verschillende beam-configuraties.

Resultaten

Beam Prestaties: Er was een merkbare prestatieverslechtering bij het gebruik van beam patroon 21 vergeleken met beam patroon 42. Echter, het gecombineerde gebruik van beide beam patronen verbeterde de nauwkeurigheid aanzienlijk, met een stijging van ongeveer 10% in scenario's met een hoge subjectdichtheid (bijv. $X=8$ ).
Architectuur Vergelijking: De DL-SL (Split Learning) architectuur presteerde consequent beter dan de UL-F (Uplink Fusion) aanpak. Het gedistribueerde verwerkingsmodel vertoonde een superieure nauwkeurigheid bij teltaken.
Antenne Diversiteit: Het verhogen van het aantal RX-antennes bij de AP van $M_R=1$ naar $M_R=4$ verbeterde de algehele nauwkeurigheid van het tellen, zoals verwacht.
Confusion Analyse: De confusion matrices toonden aan dat het gezamenlijke gebruik van beide beam patronen bijzonder effectief was bij het discrimineren tussen een hoog aantal targets ( $X > 4$ ), wat de foutclassificatie verlaagde in vergelijking met het gebruik van enkele beams.

Betekenis en Claims
Het artikel claimt dat Pattern-Reconfigurable Antenna Systems een nieuwe mogelijkheid bieden voor menselijke passieve sensing door de stralingsenergie naar specifieke gebieden te kanaliseren, waardoor de robuustheid van RF-sensing in complexe omgevingen wordt verbeterd. De auteurs stellen dat hun voorgestelde beam-space verwerkingsarchitectuur, in het bijzonder het split learning model, een schaalbare oplossing biedt voor toekomstige RF-sensing systemen. De studie valideert dat deze technologieën bewegingsdetectie en mensen-telling diensten in residentiële WiFi-netwerken kunnen ondersteunen, wat de weg vrijmaalt voor toepassingen in inbraakdetectie en gebouwautomatisering. Het werk benadrukt dat deze capaciteiten kunnen worden bereikt met bestaande WiFi-infrastructuur met smart antenne-upgrades, zonder dat wijzigingen aan de cliënt-apparaten (STAs) nodig zijn.