Tu Wi-Fi ya sabe dónde estás parado en la habitación

El dato discreto que acompaña a toda conexión Wi-Fi

Cada conexión Wi-Fi incluye un dato numérico que casi nadie ve: la intensidad de señal recibida (RSSI). Este valor indica qué tan fuerte percibe el dispositivo la señal en ese instante. Un teléfono, un altavoz inteligente o una televisión con Android pueden leerlo mediante software estándar, por lo que está a plena vista dentro de muchas aplicaciones domésticas. Es un dato grueso: no describe cada componente minúsculo de la onda de radio, sino que ofrece una única lectura global de intensidad para el enlace entre emisor y receptor.

Esa simplicidad es precisamente lo que hace interesante al RSSI. La detección Wi-Fi más detallada suele apoyarse en CSI (estado del canal), que rastrea la amplitud y la fase a través de múltiples subportadoras de la señal. Estas mediciones pueden revelar cómo un cuerpo curva o bloquea el aire a su alrededor, pero suelen requerir controladores especiales, permisos elevados o hardware dedicado. Los dispositivos de consumo habituales rara vez los exponen. Una televisión puede informar del RSSI sin problema mientras mantiene ocultos los detalles radiofónicos más profundos para las aplicaciones normales.

Una prueba en la Universidad de Islandia demostró que este número silencioso no es un ruido de fondo inofensivo. Al transformarlo en un formato similar al de datos Wi-Fi más ricos, puede alimentar a un modelo que estima dónde se encuentra una persona en una habitación. El resultado señala un problema de privacidad: las personas notan cámaras y micrófonos, pero rara vez vigilan lecturas inalámbricas utilizadas como pistas sobre movimiento o presencia. Un dato que parece demasiado débil para importar puede convertirse en un canal de monitoreo invisible si el software lo convierte en inferencia.

Un montaje económico para la sala y un modelo prestado a partir de datos más ricos

Una prueba de la Universidad de Islandia demostró que las lecturas habituales de intensidad de Wi-Fi pueden dar pistas sobre dónde se encuentra una persona en una habitación. La idea consistía en reutilizar un modelo existente, entrenado con datos de Wi-Fi más ricos, en lugar de construir uno nuevo para placas económicas. Muchos dispositivos inteligentes exponen valores simples de intensidad de señal a través del software normal, mientras que los datos detallados de subportadoras suelen permanecer ocultos. Esa brecha hizo atractivo el modelo prestado, porque ya sabía cómo convertir los cambios en Wi-Fi en la posición corporal.

El modelo original había aprendido a partir de datos detallados por subportadora y etiquetas de cámaras de profundidad en una habitación similar. Aquí se utilizó para presencia, movimiento y ubicación aproximada, no para pose fina. El espacio de prueba era un área despejada del campus de unos 3,5 por 4 metros. Tres placas ESP32-C3 de bajo costo sirvieron como transmisores de Wi-Fi de canal único, y una Raspberry Pi 4 recibió la señal.

Se necesitaron tres rutas porque cada línea transmisor-receptor proporciona solo información parcial sobre un cuerpo que bloquea. Combinar los cambios desde tres direcciones permitió una estimación aproximada de la posición en profundidad, no solo izquierda o derecha. La recolección comenzó con unos dos minutos de señal de habitación vacía para establecer una línea base de fondo. Luego, una persona entró y se movió mientras las placas registraban la intensidad del Wi-Fi y el video capturaba la verdad terrestre al mismo tiempo.

Las marcas de tiempo se sincronizaron a través de SSH, y el inicio y la parada fueron semiautomatizados para que las personas pudieran salir durante la recolección. Las lecturas en bruto llegaron en dBm, una escala logarítmica que no coincide con los valores lineales de potencia esperados por el modelo. Por lo tanto, cada lectura se convirtió en potencia lineal relativa y luego se escaló y amortiguó para adaptarse a la habitación concreta más pequeña. Este paso hizo que los simples cambios de intensidad parecieran más como los datos de amplitud más ricos utilizados durante el entrenamiento.

Las peculiaridades del hardware también requirieron cuidado, porque las placas económicas pueden introducir ruido desigual a través de cables y adaptadores de corriente. El equipo volvió a grabar los datos con cables USB-C idénticos, adaptadores de pared y regletas con protección contra sobretensiones para cada transmisor. Eso redujo una diferencia de ruido que había aparecido en una placa debido a la combinación de su cable y adaptador. El solicitante Wi-Fi del receptor se deshabilitó para que múltiples servicios no compitieran por el mismo adaptador.

El propio Wi-Fi de la laptop también se apagó para evitar solicitudes de sondeo que pudieran perturbar las lecturas. El resultado fue un montaje modesto, construido con piezas comunes en proyectos de aficionados y pequeños dispositivos inteligentes. Mostró que un modelo entrenado con datos más ricos puede apuntarse a lecturas más económicas sin reconstruir toda la pila de sensores. Ese es el atractivo práctico: los dispositivos ordinarios pueden ya llevar suficiente señal para apoyar estimaciones aproximadas de ubicación humana.

Limpieza de la señal

Para un receptor Wi-Fi, una habitación vacía nunca está en silencio. Las paredes, las fuentes de alimentación, los dispositivos cercanos y la pequeña electrónica del espacio de prueba dejan huellas tenues en la intensidad de la señal. Si se conservan esas huellas, el modelo puede confundir la fluctuación habitual del fondo con un cuerpo que se mueve por el aire. Por eso, el primer paso fue registrar unos dos minutos de RSSI antes de que entrara nadie, para poder restar el estado quieto de la habitación de las lecturas posteriores.

Los valores brutos de RSSI son logarítmicos, lo cual resulta incómodo para un modelo que espera entradas tipo amplitud. Convertir las lecturas en dBm a potencia lineal relativa cambió la forma de los datos y facilitó comparar pequeños cambios a lo largo del tiempo. La resta no fue una operación única para todos. Cada transmisor tenía su propio patrón en habitación vacía, así que usar la línea base propia de cada dispositivo mantuvo la comparación local. Una media compartida podría ocultar las diferencias entre dispositivos y permitir que una ruta ruidosa dominara la señal limpia.

La mayoría de los métodos probados para eliminar el ruido de fondo hacían que la habitación vacía pareciera más activa que una persona real. Esa inversión es peligrosa porque un sistema de alarma o seguimiento reaccionaría a nada. Cuando solo se eliminó una media global, la señal limpia aún conservaba suficiente estructura para que el modelo alcanzara una confianza máxima cercana a 0,79. En una habitación vacía, aparecieron picos falsos alrededor de 0,65. Los datos completamente normalizados redujeron el pico ocupado a unos 0,61, lo que hizo menos clara la presencia real.

El método que mantuvo la confianza en habitación vacía por debajo de la confianza en habitación ocupada fue comparar cada lectura con la línea base silenciosa del mismo transmisor. Esa elección trataba cada ruta como su propio instrumento, en lugar de forzar todas las rutas a una escala compartida. Una pequeña puerta de ruido ignoraba entonces los cambios inferiores a unos 0,001, para que las oscilaciones tenues no se convirtieran en movimiento falso. La señal restante se suavizó con una curva sigmoide y se mapeó sobre un rango circular de -π a +π, haciéndola parecerse a las entradas similares a fase esperadas por el modelo reutilizado.

Este trabajo de limpieza es lo que convierte una lectura ruidosa de intensidad en algo que el modelo prestado puede interpretar como movimiento en lugar de estática. Sin él, una habitación desocupada puede provocar el mismo tipo de respuesta que produce una persona. Con él, el sistema aprende a ignorar el zumbido propio de la habitación y a centrarse en cambios lo suficientemente grandes, consistentes y locales como para sugerir un cuerpo en el espacio.

Confianza, movimiento y una puerta que se mueve como un cuerpo

Cuando se le pidió al modelo que localizara a una persona, no devolvió una respuesta única y nítida. Para cada fotograma generó 100 posturas corporales posibles. Cada una incluía la posición de 14 articulaciones y un índice de confianza. La postura con mayor puntuación se tomaba como estimación principal, mientras que las otras 99 servían de control interno: si esas alternativas permanecían cercanas entre sí, el modelo era internamente coherente, aunque su posición absoluta pudiera seguir estando desviada.

El movimiento dejaba un patrón que coincidía con la masa corporal más que con el detalle de las extremidades. Las articulaciones del tronco mostraban la mayor dispersión entre las 100 predicciones, lo cual encaja con la física del Wi-Fi: un tronco en movimiento altera las rutas de la señal con más fuerza que los dedos o los tobillos. Esto significa que el sistema estaba leyendo suficiente cambio en la obstrucción y la reflexión para afirmar que algo grande se había desplazado.

La confianza cambió cuando los cambios brutos se moldearon en una forma angular más cercana a los datos de fase. Sin ese paso, la confianza máxima alcanzaba aproximadamente 0,72 durante la ocupación. Con él, subía a unos 0,92, y la media se mantenía alrededor del 80 por ciento mientras había una persona en la habitación. El cambio es importante porque muestra lo rápido que una señal simple puede parecer una estimación fiable de presencia.

La puerta añadía otra capa. Abrirla producía un cambio distinto que podía interpretarse como la entrada de un objeto al espacio, o como un desplazamiento de reflectancia causado por el cambio de distancia entre un transmisor y el receptor. Una puerta que se mueve en su arco puede comportarse como un cuerpo: altera las rutas, crea un nuevo patrón y aumenta la certeza aunque ninguna persona haya cruzado el umbral.

El testigo invisible de cada router

Piensa en una habitación despejada donde el único testigo sea un leve temblor en la intensidad del Wi-Fi. Una persona puede dejar una huella más difícil de detectar que la de una cámara o un micrófono. Las lecturas ordinarias de intensidad, las que muchos dispositivos inteligentes ya recogen, pueden convertirse en estimaciones aproximadas de dónde se encuentra alguien y cómo se mueve. En una prueba controlada, un modelo entrenado con datos de canal mucho más ricos alcanzó un nivel de confianza del ochenta por ciento mientras una persona se desplazaba por una habitación pequeña. Esa cifra es prometedora, pero no demuestra que un salón pueda cartografiarse con precisión métrica. El sistema detectó movimiento amplio, presencia y cambios en la postura, aunque también generó predicciones seguras cuando la habitación estaba vacía.

Esta brecha entre la promesa y la fiabilidad importa porque el hardware ya está por todas partes. Televisores inteligentes, routers, teléfonos móviles y otros objetos conectados podrían convertirse en monitores ambientales sin que nadie instale una cámara nueva. Eso abre posibilidades útiles para la detección de ocupación y la supervisión consciente de la privacidad en hogares que valoran un seguimiento menos visible que el vídeo. También crea un problema más difícil: las señales invisibles pueden ser interpretadas por software del que los usuarios nunca se enteran, por lo que la responsabilidad recae sobre los diseñadores, quienes deben integrar límites, auditorías y consentimiento claro en los dispositivos desde el principio.

La verdadera pregunta no es si el Wi-Fi puede detectar personas. La pregunta más difícil es si la sociedad decidirá, antes de que esos sensores se vuelvan normales, qué les está permitido saber.