⚡ electrical engineering

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

本文提出了一项关于利用波束可控天线和 Wi-Fi 信道状态信息（CSI）来实现泛在人员计数与重识别的实验台研究，旨在利用未来标准（如 Wi-Fi 7）的高级感知能力。

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

发布于 2026-06-24

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你家的 Wi-Fi 路由器不仅仅是一个连接手机和互联网的设备。想象它还是一双“隐形的眼睛”，即使在墙后或黑暗中，也能看到房间里有多少人。

这篇论文描述了一项测试，旨在研究我们是否可以利用 Wi-Fi 信号来统计房屋内的人数，并使用了一种特殊的、无需移动即可向不同方向“观察”的型天线。

以下是他们是如何做的以及他们的发现，使用了简单的类比：

1. “手电筒”天线

通常，Wi-Fi 路由器向四面八方发送信号，就像房间中央的一个灯泡。但研究人员使用了一种特殊的带有**波束可控天线（Beam-Steerable Antennas）**的路由器。

这就像是一个带有变焦镜头的手电筒。它不是一次性照亮整个房间，而是可以将“Wi-Fi 光束”专门对准客厅，然后切换并对准厨房。

诀窍： 路由器本身并不物理移动。它只是改变了信号的形状，就像灯塔的光束扫过大海一样。
目标： 通过将这些光束对准不同的位置，系统可以更好地获取人们站立位置的“快照”。

2. “隐形眼睛”是如何看到人的

当 Wi-Fi 信号穿过房间时，它们会从墙壁、家具和人身上反射。

类比： 想象在洞穴里喊叫。如果洞穴是空的，你的回声听起来是一种样子；如果有人站在洞穴中间，你的回声听起来就会不同，因为你的声音撞到了他们的身体。
科学原理： 研究人员测量了人们走动时 Wi-Fi 信号产生的微小变化（称为 CSI）。当一个人移动时，他们会阻挡或反射信号，从而在数据上留下独特的“指纹”。人数越多，信号就变得越复杂。

3. 两种计数方式（大脑能力）

团队测试了两种不同的处理数据方式来统计人数：

方法 A：“中央大脑”（UL-F）
所有来自 Wi-Fi 设备的数据都会发送到主路由器（接入点）。路由器充当一个巨大的超级大脑，同时观察所有数据，最后做出判断：“好吧，这里有 5 个人。”
方法 B：“团队协作”模式（DL-SL / 分布式学习）
这就像一场接力赛。
1. 小型 Wi-Fi 设备（如你的笔记本电脑或手机）先进行一些基础计算。它们观察信号并得出结论：“我觉得看到了 2 或 3 个人。”
2. 它们只发送自己的“观点”（而不是原始数据）给主路由器。
3. 主路由器充当裁判，收集所有这些观点并将其结合起来，得出最终的计数。
- 为什么要这样做？ 这能保护设备上的原始数据隐私，并使系统更快、更具扩展性。

4. 测试房屋

他们不仅仅是在电脑上做实验；他们构建了一个真实的测试环境。

设置： 一个大型两层住宅（340 平方米），拥有 11 个房间。
实验： 他们让人们在行走、站立或成组移动。他们测试了从 1 个人一直到 8 个人同时在同一个房间内的各种场景。
结果： 他们记录了随着人群增加，Wi-Fi 信号是如何变化的。

5. 他们的发现

光束越多 = 视野越好： 只使用一个“手电筒”角度并不完美。但当他们使用两个不同的波束角度（快速来回切换）时，准确度显著提高（约 10%）。这就像用双眼而不是单眼观察物体一样，你会获得更好的深度感和细节感。
团队协作胜出： “团队协作”模式（方法 B）通常比“中央大脑”模式（方法 A）效果更好。在统计高人数（如 8 个人在移动）时，它的准确性更高。
局限性： 该系统在人们移动时效果最好。如果所有人完全静止不动，很难将他们区分开来，但该系统设计的初衷就是检测运动。

总结

这篇论文证明了你可以将标准的 Wi-Fi 网络变成一个人数统计器。通过使用能够像手电筒一样“引导”信号的智能天线，并使用智能的团队协作系统来分析数据，他们成功地统计出了在一栋大房子里移动的多达 8 个人，且没有使用任何摄像头。

这篇论文没有说的是：
论文并未声称这可以识别出人是谁（例如识别人脸），也没有声称它可以诊断健康问题。它严格限于计数有多少人在场以及检测他们是否在移动。

技术摘要：基于波束可操纵天线的 WiFi 人数统计

问题陈述
本文探讨了利用现有射频（RF）基础设施（特别是 WiFi 网络）进行室内人数统计与识别的挑战。虽然射频感知（或称“WiFi 感知”）在通过信道状态信息（CSI）识别个体和追踪运动方面已展现出潜力，但目前的系统通常依赖于静态天线配置。作者提出利用模式可重构天线系统（PARS）来动态改变辐射方向图。核心问题是：如何利用波束赋形能力来增强信号覆盖并提高辨识度，从而在无需对标准客户端设备进行硬件修改的情况下，确定监测空间内同时存在的受试者数量 ( $X$ )，并捕捉其运动模式，同时利用波束赋形技术来应对由人体遮挡引起的 CSI 变化。

研究方法
本研究在名为 ADANT 的测试房屋环境中进行，该环境面积为 340 平方米，包含两层楼，旨在模拟具有非视距（NLOS）条件的真实住宅场景。

硬件设置： 系统由一个符合 WiFi 7 标准的接入点（AP）网关组成，该网关配备了支持波束赋形（具体为 5GHz 和 6GHz 频段下的两个可操纵波束，代码分别为 21 和 42）的智能天线系统。AP 连接到四个站设备（STA），每个 STA 配备单根天线。
数据采集： AP 与 STA 通过上行链路进行通信。AP 收集代表相位偏移和幅度衰减的 CSI 数据 ( $H_t(i, k)$ )，共包含 $S=120$ 个可用的导频子载波。数据以 250 毫秒的间隔（每秒 4 个样本）进行采样，持续时间为 30 分钟。数据集涵盖了从空房间到 $X=8$ 名受试者在其中移动、站立或成组行走等多种场景。
信号处理： 作者通过在 7 个连续 WiFi 帧的滑动窗口内计算 CSI 幅度变化 ( $\Delta H_t(i, k)$ )，以检测运动和环境变化。
机器学习架构： 本研究提出了两种不同的处理架构并进行了评估：
1. UL-F（上行融合）： 所有来自四个 STA 的 CSI 数据都传输至 AP，并在 AP 端训练单个 XGBoost（极端梯度提升）决策树模型来进行人数分类。
2. DL-SL（下行拆分学习）： 一种拆分学习方法，即在每个 STA 上运行局部 XGBoost 模型以基于局部 CSI 生成初步决策。这些部分决策被传输至 AP，由卷积神经网络（CNN）进行聚合以做出最终决策。该方法使原始 CSI 数据保留在本地 STA 端。

核心贡献

波束可操有效的集成： 本文展示了将 PARS 技术与未经修改的 WiFi 信号相结合用于人数统计。研究表明，动态转向波束（代码 21 和 42）可以改善覆盖范围，并为不同的占用水平创建独特的射频指纹。
拆分学习架构： 作者为射频感知提出并验证了一个“拆分学习”框架 (DL-SL)。该架构通过分布式处理减轻计算负载，允许 STA 进行局部推理（XGBoost），同时由 AP 处理聚合（CNN），通过将原始 CSI 数据保留在本地，解决了扩展性和数据隐私问题。
全面的测试平台评估： 研究在大型且真实的住宅环境中提供了实证验证，针对不同数量的受试者（1 到 8 人）以及不同的波束配置进行了测试。

结果

波束性能： 使用波束模式 21 时，相比于波束模式 42，性能出现了明显的下降。然而，结合使用两种波束模式显著提高了准确率，在受试者密度较高的场景下（如 $X=8$ ），准确率提升了约 10%。
架构对比： DL-SL（拆分学习）架构的表现始终优于 UL-F（上行融合）方法。这种分布式处理模型在计数任务中表现出更高的准确性。
天线多样性： 正如预期，将 AP 的接收（RX）天线数量从 $M_R=1$ 增加到 $M_R=4$ ，提高了整体计数准确率。
混淆分析： 混淆矩阵显示，联合使用两种波束模式在区分高目标数量（ $X > 4$ ）时特别有效，与使用单一波束相比，降低了误分类率。

意义与主张
本文声称，模式可重构天线系统为人类尺度的被动感知提供了新的机遇，通过将辐射能量通道化到特定区域，从而提高复杂环境下射频感知的鲁棒性。作者断言，他们提出的波束空间处理架构（尤其是拆分学习模型）为未来的射频感知系统提供了一种可扩展的解决方案。研究验证了这些技术能够支持住宅 WiFi 网络中的运动检测和人数统计服务，为入侵检测和建筑自动化应用铺平了道路。该工作强调，通过对现有 WiFi 基础设施进行智能天线升级，可以在无需更改客户端设备（STA）的情况下实现这些功能。