💻 computer science

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

Este artigo demonstra que a falha dos sensores WiFi ESP32 de baixo custo em identificar com precisão a marcha de múltiplas pessoas decorre primordialmente de limitações fundamentais de hardware na qualidade de detecção e diversidade espacial, em vez de deficiências algorítmicas, desafiando, assim, a viabilidade do CSI WiFi de baixo custo como uma primitiva biométrica robusta para múltiplos usuários.

Autores originais: Oliver Custance, Saad Khan, Simon Parkinson

Publicado 2026-06-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Oliver Custance, Saad Khan, Simon Parkinson

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está em uma sala cheia, tentando ouvir seis pessoas diferentes caminhando enquanto todas elas falam ao mesmo tempo. Você consegue ouvir o ruído geral dos passos, mas tentar identificar exatamente quem está andando onde, e identificá-los apenas pelos seus passos, é incrivelmente difícil.

Isso é essencialmente o que este artigo investigou, mas em vez de ouvidos, eles usaram sinais de WiFi (especificamente, um chip barato chamado ESP32), e em vez de passos, eles observaram como os padrões de caminhada das pessoas perturbam as ondas invisíveis do WiFi.

Aqui está uma análise de suas descobertas usando analogias simples:

A Grande Pergunta: O WiFi Barato Consegue "Ouvir" Múltiplas Pessoas?

Cientistas já sabem há algum tempo que o WiFi pode identificar uma pessoa caminhando. É como reconhecer a voz de um amigo em uma sala silenciosa. Mas o que acontece quando 10 pessoas estão andando ao mesmo tempo em uma sala de aula movimentada?

Os pesquisadores queriam saber: O problema é que nossos algoritmos de "escuta" (o software) não são inteligentes o suficiente, ou o problema é que o hardware de WiFi barato simplesmente não consegue ouvir detalhes suficientes para começar?

O Experimento: A "Festa de Coquetel do WiFi"

A equipe montou um cenário de "festa de coquetel" usando sensores de WiFi baratos e prontos para uso (chips ESP32). Eles tiveram até 10 pessoas andando em duas salas diferentes:

Um laboratório silencioso: Um espaço controlado com poucas distrações.
Uma sala de aula real: Um espaço bagunçado com móveis e outros sinais de WiFi ricocheteando por todo lado.

Eles testaram seis "filtros" matemáticos diferentes (algoritmos) para tentar separar os sinais misturados, esperando isolar o estilo de caminhada (marcha) único de cada pessoa. Esses filtros incluíam métodos como FastICA, SOBI e NMF.

Os Resultados: Um Sinal "Turvo"

Os resultados foram um pouco decepcionantes, mas muito reveladores.

A Analogia da "Água Turva": Imagine tentar separar corante alimentar vermelho e azul que foram misturados em um único balde de água. Não importa o quão inteligente seja o seu filtro, se a água estiver muito turva para começar, você não consegue separar as cores perfeitamente.
O Limite do Hardware: Os sensores de WiFi baratos possuem apenas 3 antenas e 52 canais de frequência. Os pesquisadores descobriram que isso é como tentar ouvir uma orquestra sinfônica com apenas três ouvidos. Simplesmente não há resolução espacial (detalhe) suficiente para distinguir quem é quem quando todos estão se movendo ao mesmo tempo.
A Luta do Algoritmo: Eles testaram seis métodos de software diferentes. O melhor deles (chamado NMF) conseguiu identificar as pessoas corretamente cerca de 56% das vezes. O pior foi de apenas 39%.
- Pense desta forma: Se você estivesse adivinhando a resposta em uma prova de múltipla escolha com 10 opções, você acertaria 10% por sorte. Acertar 56% é melhor do que a sorte, mas está longe de ser perfeito. É como um cara ou coroa que é ligeiramente viciado, mas ainda assim não confiável.

Por Que Eles Falharam? (Os Três Principais Culpados)

O artigo introduz três "ferramentas de diagnóstico" para explicar por que os sistemas falharam, que são mais fáceis de entender com estas metáforas:

Variabilidade Intra-Sujeito (O Problema do "Mesma Pessoa, Dias Diferentes"):
- Analogia: Você pode caminhar de forma diferente hoje porque está cansado, ou amanhã porque está usando sapatos diferentes. O sinal de WiFi captou essas pequenas mudanças de tal forma que o sistema pensou que a mesma pessoa era, na verdade, duas pessoas diferentes. O "ruído" do próprio movimento da pessoa foi mais alto do que o "sinal" de sua identidade.
Distinguibilidade Inter-Sujeito (O Problema do "Sósia"):
- Analogia: Em uma multidão, muitas pessoas caminham com um ritmo semelhante. Os sinais de WiFi de diferentes pessoas se sobrepuseram tanto (97–99% de sobreposição) que o sistema não conseguiu distinguir a Pessoa A da Pessoa B. Todos estavam nadando no mesmo "caldo" de dados.
Sensibilidade Ambiental (O Probleo da "Mudança de Sala"):
- Analogia: Um filtro que funcionava perfeitamente no Laboratório silencioso falhou miseravelmente na Sala de Aula barulhenta. A maneira como o WiFi rebate nas paredes e móveis (multicaminho) mudou o sinal tão drasticamente que um sistema treinado em uma sala não conseguiu reconhecer a mesma pessoa em outra.

O Veredito: É o Hardware, Não Apenas o Software

A conclusão mais importante do artigo é esta: Nenhum software inteligente pode consertar um microfone quebrado.

Os pesquisadores descobriram que mesmo o melhor algoritmo (NMF) não resolveu o problema porque as restrições do hardware foram o gargalo. Os sensores baratos simplesmente não capturaram detalhes suficientes para separar 10 pessoas andando ao mesmo tempo. Os algoritmos de "separação" estavam apenas rearranjando a água turva, não limpando-a de fato.

O Que Isso Significa Para Você?

Para Segurança: Se você esperava usar roteadores WiFi baratos para autenticar continuamente (verificar identidade) em um escritório ou aeroporto movimentado, este artigo diz: Não conte com isso ainda. A tecnologia não é confiável o suficiente para distinguir entre 10 pessoas passando por um sensor.
Para Privacidade: Por outro outro lado, esta é uma boa notícia para a privacidade. Isso sugere que dispositivos WiFi comuns e baratos provavelmente não conseguem rastrear e identificar secretamente todos em uma sala cheia com alta precisão. A capacidade de "super-espião" do WiFi de baixo custo é limitada pela física do hardware, não apenas pelo software.

Em resumo: Tentar identificar múltiplas pessoas caminhando com WiFi barato é como tentar identificar cantores individuais em um coro ouvindo um único microfone de baixa qualidade em uma sala barulhenta. O hardware simplesmente não é bom o suficiente para ouvir os detalhes, não importa o quão inteligente seja o computador.

Resumo Técnico: Por que Sensores WiFi de Baixo Custo Falham na Identificação de Marcha de Múltiplas Pessoas

Enunciado do Problema
Embora a Informação de Estado de Canal (CSI) via WiFi tenha demonstrado potencial para a identificação da marcha de uma única pessoa em ambientes controlados, sua viabilidade para a identificação de múltiplas pessoas em hardware de baixo custo e comercial permanece incerta. O desafio central é a separação de sinais: quando várias pessoas caminham simultaneamente, suas assinaturas de marcha interferem e se misturam no CSI recebido, criando uma superposição que deve ser decomposta antes que a identificação individual possa ocorrer. A literatura existente sugere que, embora configurações complexas (ex: firmware modificado, arranjos de antenas especializados) possam alcançar a separação, o desempenho em dispositivos comerciais é modesto. A questão central de pesquisa abordada por este artigo é se o baixo desempenho em múltiplas pessoas decorre primariamente de limitações algorítmicas (modelos de separação insuficientes) ou de tetos fundamentais de detecção inerentes ao hardware WiFi comercial (insuficiência de diversidade espacial e espectral).

Metodologia
Os autores conduziram um estudo empírico sistemático utilizando sensores WiFi ESP32 comerciais operando na banda de 5 GHz (IEEE 802.11n). O estudo evitou intencionalmente o uso de CSI com estabilidade de fase de NICs especializadas para refletir as restrições realistas de implantação de baixo custo.

Coleta de Dados: Os experimentos foram realizados em dois ambientes: um Laboratório controlado (7m × 7m) e uma Sala de Aula realista (5,4m × 9m) com móveis e tráfego ambiente. Dez participantes (idades entre 20–40 anos) realizaram testes de caminhada em sete cenários envolvendo de 1 a 10 pessoas.
Configuração de Sinal: O sistema capturou a amplitude do CSI de $k=3$ antenas através de $m=52$ subportadoras portadoras de informação.
Algoritmos de Separação: Seis métodos distintos de separação cega de fontes (BSS) foram avaliados sob condições de aquisição idênticas para isolar a sensibilidade algorítmica das limitações de detecção:
1. FastICA (Independência estatística)
2. SOBI (Estrutura temporal de segunda ordem)
3. PCA–ICA (Híbrido de redução de dimensionalidade e separação)
4. NMF (Fatoração de Matriz Não Negativa; representação baseada em partes aditivas)
5. Transformada de Wavelet (Decomposição tempo-frequência de multirresolução)
6. Decomposição de Tensor (Fatoração de múltiplas vias preservando interações entre modos)
Pipeline de Avaliação: As fontes separadas foram processadas em vetores de características (descritores temporais, de frequência e espaciais) e classificadas usando uma Máquina de Vetores de Suporte (SVM) com kernel RBF.
Métricas Diagnósticas: Além da acurácia padrão, os autores introduziram três métricas para caracterizar os modos de falha:
- Variabilidade Intra-Sujeito (ISV): Consistência das características para o mesmo usuário.
- Distinguibilidade Inter-Sujeito (ISD): Separação entre diferentes usuários no espaço de características.
- Taxa de Degradação de Desempenho (PDR): Robustez conforme a densidade de pessoas aumenta.

Principais Resultados
O estudo constatou que todos os métodos avaliados apresentaram desempenho moderado, não havendo um único algoritmo que resolvesse o problema subjacente da separação de múltiplas pessoas densas.

Desempenho de Classificação: O método de melhor desempenho foi o NMF, alcançando 56,00% de acurácia e um F1-score de 48,00%. O FastICA e o SOBI seguiram com aproximadamente 48–49% de acurácia, enquanto o PCA–ICA teve o pior desempenho, com 39,39%.
Sobreposição de Características: Um achado crítico foi a extremamente alta sobreposição no espaço de características (97–99%) em todos os métodos. Isso indica que mesmo os "melhores" algoritmos de separação operam em um regime de forte emaranhamento de identidade, em vez de uma separação limpa.
Compromisso entre Estabilidade e Separabilidade:
- A Decomposição de Tensor alcançou a maior Distinguibilidade Inter-Sujeito (ISD), mas sofreu de extrema Variabilidade Intra-Sujeito (ISV), o que significa que a representação para um único usuário era instável entre as tentativas.
- O PCA–ICA ofereceu as representações mais estáveis (menor ISV), mas falhou em fornecer poder discriminativo suficiente para identificação.
- O NMF proporcionou o equilíbrio mais favorável, melhorando as métricas de classificação sem a instabilidade severa dos modelos de tensor ou a baixa acurácia do PCA.
Sensibilidade Ambiental: O desempenho foi altamente dependente do ambiente. A maioria dos métodos melhorou no ambiente de Sala de Aula, com maior multipropagação, enquanto a Decomposição de Tensor teve melhor desempenho no Laboratório controlado, sugerindo que a diversidade de multipropagação atua como sinal útil ou interferência estruturada, dependendo do algoritmo.
Escalabilidade: À medida que o número de pessoas aumentou de 2 para 10, todos os métodos mostraram degradação de desempenho. A Decomposição de Tensor apresentou a melhor resiliência à densidade (menor taxa de degradação), enquanto Wavelet e PCA–ICA degradaram-se de forma mais acentuada.

Significância e Alegações
O artigo conclui que o gargalo para a identificação de marcha de múltiplas pessoas em dispositivos ESP32 comerciais é fundamentalmente uma limitação de detecção, e não meramente algorítmica.

Restrições de Hardware: O número limitado de antenas (3) e subportadoras (52) no hardware comercial fornece graus de liberdade espacial e espectral insuficientes para separar misturas densas de marcha humana. O problema é subdeterminado; o sinal não contém informação utilizável suficiente para desmembrar usuários de forma confiável.
Limites Algorítmicos: Aumentar a sofisticação do modelo (ex: passar de decomposição de matriz para decomposição de tensor) não melhora monotonicamente o desempenho porque os algoritmos não conseguem compensar a falta de informação nas medições. Os algoritmos primariamente redistribuem o emaranhamento de identidade em vez de resolvê-lo.
Implicações de Segurança e Privacidade:
- Autenticação: O CSI de WiFi comercial é atualmente uma base fraca para uma autenticação biométrica robusta de múltiplos usuários. A alta sobreposição e a sensibilidade ambiental tornam-no pouco confiável para decisões de segurança que exigem separação estável de identidade.
- Privacidade: Os resultados estabelecem limites importantes para as ameaças à privacidade. Embora a detecção passiva de RF seja uma preocupação, o estudo sugere que a identificação passiva densa utilizando hardware WiFi comum e pronto para uso é menos prática do que frequentemente se assume. O próprio sinal de detecção não parece suportar uma separação de identidade confiável em ambientes densos e realistas.

Conclusão
Os autores afirmam que, sob as restrições de CSI do ESP32 comercial, a identificação de marcha de múltiplas pessoas densas é limitada mais pela qualidade da detecção e diversidade espacial do que pela escolha do algoritmo de separação. O progresso futuro neste domínio provavelmente exigirá modalidades de detecção mais ricas (ex: Massive MIMO, mmWave) ou fusão de sensores, em vez de refinamentos incrementais de algoritmos de separação em hardware existente de baixo custo.