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

Resumo Técnico: Contagem de Pessoas Baseada em WiFi Utilizando Antenas com Direcionamento de Feixe (Beam-Steerable)

Definição do Problema
O artigo aborda o desafio da contagem e discriminação de pessoas em ambientes internos utilizando a infraestrutura de Radiofrequência (RF) existente, especificamente redes WiFi. Embora a detecção por RF (ou "WiFi sensing") tenha mostrado promessa para identificar indivíduos e rastrear movimentos através da Informação de Estado do Canal (CSI), os sistemas atuais frequentemente dependem de configurações estáticas de antenas. Os autores propõem o aproveitamento de Sistemas de Antenas Reconfiguráveis de Padrão (PARS) para alterar dinamicamente os padrões de radiação. O problema central é determinar o número de sujeitos humanos presentes ($X$) em um espaço monitorado e capturar seus padrões de movimento, explorando as variações no CSI causadas pelo bloqueio corporal, utilizando a capacidade de direcionamento de feixe (beam-steering) para melhorar a cobertura do sinal e a discriminação sem exigir modificações de hardware nos dispositivos clientes padrão.

Metodologia
O estudo foi conduzido em um ambiente de casa de teste (ADANT testhouse) de dois pavimentos e 340 m², projetado para emular um cenário residencial realista com condições de Não-Linha de Visada (NLOS) entre os dispositivos.

• Configuração de Hardware: O sistema consiste em um Gateway de Ponto de Acesso (AP) compatível com WiFi 7, equipado com um sistema de antena inteligente que suporta direcionamento de feixe (especificamente dois feixes direcionáveis, códigos 21 e 42) nas bandas de 5GHz e 6GHz. O AP está conectado a quatro Dispositivos de Estação (STAs), cada um equipado com uma única antena.
• Coleta de Dados: O AP e os STAs comunicam-se via uplink. O AP coleta dados de CSI ($H_t(i, k)$) que representam o deslocamento de fase e a atenuação de amplitude ao longo de $S=120$ subportadoras piloto utilizáveis. Os dados foram amostrados em intervalos de 250ms (4 amostras/seg) ao longo de sessões de 30 minutos. O conjunto de dados inclui cenários que variam de uma sala vazia até 8 sujeitos ($X=8$) movendo-se, parados ou caminhando em grupos.
• Processamento de Sinais: Os autores calculam a variação na amplitude do CSI ($\Delta H_t(i, k)$) sobre uma janela deslizante de 7 quadros WiFi consecutivos para detectar movimento e mudanças ambientais.
• Arquiteturas de Aprendizado de Máquina: Duas arquiteturas de processamento distintas foram propostas e avaliadas:
  1. UL-F (Fusão de Uplink): Todos os dados de CSI dos quatro STAs são transmitidos para o AP, onde um único modelo de árvore de decisão XGBoost (Extreme Gradient Boosting) é treinado para classificar o número de pessoas.
  2. DL-SL (Aprendizado Dividido de Downlink): Uma abordagem de aprendizado dividido (split learning) onde modelos XGBoost locais rodam em cada STA para gerar decisões preliminares baseadas no CSI local. Essas decisões parciais são transmitidas para o AP, onde uma Rede Neural Convolucional (CNN) as agrega para tomar uma decisão final. Esta abordagem mantém os dados brutos de CSI locais aos STAs.

Principais Contribuições

1. Integração de Antena com Direcionamento de Feixe: O artigo demonstra a integração da tecnologia PARS com sinais WiFi não modificados para contagem de pessoas. Mostra que o direcionamento dinâmico de feixes (códigos 21 e 42) pode melhorar a cobertura e criar impressões digitais de RF distintas para diferentes níveis de ocupação.
2. Arquitetura de Aprendizado Dividido (Split Learning): Os autores propõem e validam uma estrutura de "Aprendizado Dividido" (DL-SL) para detecção por RF. Esta arquitetura distribui a carga computacional, permitindo que os STAs realizem a inferência local (XGBoost) enquanto o AP lida com a agregação (CNN), abordando preocupações de escalabilidade e privacidade de dados ao manter o CSI bruto fora da rede.
3. Avaliação Abrangente de Bancada de Testes: O estudo fornece validação empírica dentro de um ambiente residencial de grande escala e realista, testando o sistema contra números variáveis de sujeitos (1 a 8) e diferentes configurações de feixe.

Resultados

• Desempenho do Feixe: Houve uma degradação perceptível no desempenho ao usar o padrão de feixe 21 em comparação ao padrão de feixe 42. No entanto, o uso combinado de ambos os padrões de feixe melhorou significativamente a precisão, aumentando-a em aproximadamente 10% em cenários com alta densidade de sujeitos (ex: $X=8$).
• Comparação de Arquitetura: A arquitetura DL-SL (Aprendizado Dividido) superou consistentemente a abordagem UL-F (Fusão de Uplink). O modelo de processamento distribuído demonstrou precisão superior em tarefas de contagem.
• Diversidade de Antena: O aumento do número de antenas de recepção (RX) no AP de $M_R=1$ para $M_R=4$ melhorou a precisão geral da contagem, como esperado.
• Análise de Confusão: As matrizes de confusão revelaram que o uso conjunto de ambos os padrões de feixe foi particularmente benéfico ao discriminar um alto número de alvos ($X > 4$), reduzindo as taxas de erro de classificação em comparação ao uso de feixes únicos.

Significância e Alegações
O artigo afirma que os Sistemas de Antenas Reconfiguráveis de Padrão oferecem uma oportunidade inovadora para detecção passiva em escala humana ao canalizar a energia de radiação para áreas específicas, melhorando assim a robustez da detecção por RF em ambientes complexos. Os autores afirmam que sua arquitetura de processamento de espaço de feixe proposta, particularmente o modelo de aprendizado dividido, fornece uma solução escalável para futuros sistemas de detecção por RF. O estudo valida que essas tecnologias podem suportar serviços de detecção de movimento e contagem de pessoas em redes WiFi residenciais, abrindo caminho para aplicações em detecção de intrusão e automação predial. O trabalho enfatiza que essas capacidades podem ser alcançadas usando a infraestrutura WiFi existente com atualizações de antenas inteligentes, sem a necessidade de alterações nos dispositivos clientes (STAs).