Il tuo Wi-Fi potrebbe già sapere dove stai in piedi nella stanza

Il numero silenzioso in ogni connessione Wi-Fi

Ogni connessione Wi-Fi porta con sé un piccolo numero che la maggior parte delle persone non vede mai. Si chiama RSSI e riporta quanto il segnale risulta forte per il dispositivo in quel momento. Uno smartphone, un altoparlante smart o una TV Android possono leggere quel valore attraverso software ordinario, quindi si trova alla luce del sole dentro molte applicazioni domestiche. Il numero è grossolano. Non descrive ogni minuscola parte dell’onda radio; fornisce una lettura complessiva di intensità per il collegamento tra mittente e ricevente.

È proprio quella semplicità a rendere interessante l’RSSI. Il sensing Wi-Fi più dettagliato si basa di solito su CSI, che traccia ampiezza e fase su molti sottoportanti del segnale. Quelle misure possono rivelare come un corpo pieghi o blocchi l’aria intorno a sé, ma spesso richiedono driver speciali, permessi elevati o hardware dedicato. I dispositivi consumer comuni raramente le espongono. Una TV può riportare volentieri l’RSSI tenendo nascosti i dettagli radio più profondi dalle applicazioni normali.

Un test all’Università dell’Islanda ha mostrato che questo numero silenzioso non è rumore di fondo innocuo. Quando viene messo in una forma vicina a dati Wi-Fi più ricchi, può alimentare un modello che stima dove una persona stia in piedi in una stanza. Il risultato indica un problema di privacy: le persone notano telecamere e microfoni, ma raramente osservano letture wireless usate come indizi su movimento o presenza. Un numero che sembra troppo debole per contare può diventare un canale di monitoraggio invisibile se il software lo trasforma in inferenza.

Un impianto economico per la stanza e un modello preso in prestito da dati più ricchi

Un test dell’Università dell’Islanda ha mostrato che letture ordinarie di intensità Wi-Fi possono dare un indizio su dove una persona stia in piedi in una stanza. L’idea era riutilizzare un modello esistente addestrato su dati Wi-Fi più ricchi, non costruirne uno nuovo per schede economiche. Molti dispositivi smart espongono semplici valori di intensità del segnale attraverso software normale, mentre i dati dettagliati sui sottoportanti spesso restano nascosti. Quel divario rendeva attraente il modello preso in prestito, perché sapeva già come trasformare le variazioni Wi-Fi in posizione corporea.

Il modello originale aveva imparato da dati dettagliati per singolo sottoportante e etichette di una telecamera a profondità in una stanza simile. Qui veniva usato per presenza, movimento e posizione approssimativa, non per pose fini. Lo spazio del test era un’area universitaria liberata, circa 3,5 per 4 metri. Tre schede economiche ESP32-C3 facevano da trasmettitori Wi-Fi monocanale, e una Raspberry Pi 4 riceveva il segnale.

Servivano tre percorsi perché ogni linea trasmettitore-ricevitore dà solo informazioni parziali su un corpo che blocca. Combinare le variazioni da tre direzioni permetteva una stima approssimativa della posizione in profondità, non solo a sinistra o a destra. La raccolta iniziava con circa due minuti di segnale a stanza vuota per impostare una baseline di fondo. Una persona entrava poi e si muoveva mentre le schede registravano l’intensità Wi-Fi e il video catturava la ground truth allo stesso tempo.

I timestamp venivano sincronizzati via SSH, e avvio e arresto erano semiautomatici in modo che le persone potessero uscire durante la raccolta. Le letture grezze arrivavano in dBm, una scala logaritmica che non corrisponde ai valori di potenza lineare attesi dal modello. Così ogni lettura veniva convertita in potenza lineare relativa, poi scalata e attenuata per adattarla alla stanza fisica più piccola. Questo passo rendeva le semplici variazioni di intensità più simili ai dati di ampiezza più ricchi usati durante l’addestramento.

Le peculiarità dell’hardware richiedevano anche attenzione, perché schede economiche possono introdurre rumore irregolare attraverso cavi e alimentatori. Il gruppo ha riraccolto i dati con cavi USB-C identici, alimentatori da parete e prese protette da sovratensione per ogni trasmettitore. Ciò ha ridotto una differenza di rumore apparsa in una scheda a causa della combinazione di cavo e alimentatore. Il client Wi-Fi del ricevitore è stato disabilitato perché più servizi non competessero per la stessa scheda.

Anche il Wi-Fi del portatile è stato spento per evitare richieste di sondaggio che potevano disturbare le letture. Il risultato era un impianto modesto, costruito con componenti comuni nei progetti hobbistici e nei piccoli dispositivi smart. Ha mostrato che un modello addestrato su dati più ricchi può essere rivolto a letture meno costose senza ricostruire l’intera catena di rilevamento. È questo l’interesse pratico: i dispositivi comuni possono già contenere segnale sufficiente per sostenere stime approssimative della posizione umana.

Pulire il segnale

Una stanza vuota non è mai silenziosa per un ricevitore Wi-Fi. Muri, alimentatori, dispositivi vicini e i piccoli elettronica dello spazio del test lasciano tutti tracce deboli sull’intensità del segnale. Se quelle tracce restano al loro posto, un modello può scambiare l’oscillazione di fondo ordinaria per un corpo che si muove nell’aria. Il primo passo di pulizia consisteva quindi nel registrare circa due minuti di RSSI prima che qualcuno entrasse, in modo che lo stato silenzioso della stanza potesse essere sottratto dalle letture successive.

I valori grezzi di RSSI sono logaritmici, il che li rende scomodi per un modello che si aspetta ingressi simili all’ampiezza. Convertire le letture in dBm in potenza lineare relativa cambiava la forma dei dati e rendeva più facili da confrontare nel tempo i piccoli cambiamenti. La sottrazione non era un’operazione universale. Ogni trasmettitore aveva il proprio schema a stanza vuota, quindi usare la baseline dello stesso dispositivo manteneva il confronto locale. Una media condivisa poteva nascondere differenze tra dispositivi e lasciare che un percorso rumoroso dominasse il segnale pulito.

La maggior parte dei modi testati per rimuovere il rumore di fondo faceva sembrare la stanza vuota più attiva di una persona reale. Quel ribaltamento è pericoloso perché un sistema di allarme o tracciamento reagirebbe a nulla. Quando veniva rimossa solo una media globale, il segnale pulito portava ancora abbastanza struttura perché il modello raggiungesse una confidenza massima vicina a 0,79. In una stanza vuota comparivano falsi picchi intorno a 0,65. Dati completamente normalizzati abbassavano il picco occupato a circa 0,61, il che rendeva la presenza reale meno chiara.

Il metodo che teneva la confidenza a stanza vuota sotto quella a stanza occupata era confrontare ogni lettura con la baseline silenziosa dello stesso trasmettitore. Quella scelta trattava ogni percorso come uno strumento proprio invece di forzare tutti i percorsi in una scala condivisa. Un piccolo noise gate ignorava poi le variazioni inferiori a circa 0,001, in modo che oscillazioni deboli non diventassero movimento finto. Il segnale rimanente veniva lisciato con una curva sigmoide e mappato su un intervallo circolare da -π a +π, facendolo somigliare agli ingressi simili alla fase attesi dal modello riutilizzato.

Questo lavoro di pulizia è ciò che trasforma una lettura di intensità rumorosa in qualcosa che il modello preso in prestito può interpretare come movimento invece che statica. Senza di esso, una stanza non occupata può attivare la stessa specie di risposta prodotta da una persona. Con esso, il sistema impara a ignorare il ronzio proprio della stanza e a concentrarsi su variazioni abbastanza grandi, abbastanza coerenti e abbastanza locali da suggerire un corpo nello spazio.

Confidenza, movimento e la porta che si apre come un corpo

Quando al modello veniva chiesto di collocare una persona, non restituiva una risposta pulita unica. Per ogni frame produceva 100 pose corporee possibili, e ogni portava 14 posizioni articolari più un punteggio di confidenza. La posa con il punteggio più alto diventava la stima principale, mentre le altre 99 facevano da controllo su se stessa. Se quelle alternative restavano vicine tra loro, il modello era internamente coerente, anche quando la sua posizione assoluta poteva ancora essere sbagliata.

Il movimento lasciava uno schema che corrispondeva alla massa corporea più che al dettaglio degli arti. Le articolazioni del torso mostravano la maggiore dispersione tra le 100 previsioni, il che quadra con la fisica del Wi-Fi: un tronco in movimento disturba i percorsi del segnale più fortemente di quanto facciano dita o caviglie. Questo significa che il sistema leggeva abbastanza variazione di ostruzione e riflessione per dire che qualcosa di grande si era spostato.

La confidenza cambiava quando le variazioni grezze venivano messe in una forma angolare più vicina ai dati di fase. Senza quel passo, la confidenza massima raggiungeva circa 0,72 durante l’occupazione. Con esso, la confidenza massima saliva a circa 0,92, e la confidenza media restava intorno all’80 per cento mentre una persona era nella stanza. Il passaggio è importante perché mostra quanto rapidamente un segnale semplice possa sembrare una stima affidabile di presenza.

La porta aggiungeva un altro livello. Aprirla produceva un cambiamento distinto che poteva essere letto come un oggetto che entrava nello spazio, o come uno spostamento di riflettività causato dalla variazione di distanza tra un trasmettitore e il ricevitore. Un’apertura che si muove nel suo arco può comportarsi come un corpo: altera i percorsi, crea un nuovo schema e alza la certezza anche se nessuna persona ha oltrepassato la soglia.

La testimone invisibile in ogni router

Immagina una stanza liberata dove l’unica testimone è un debole oscillazione nell’intensità Wi-Fi. Una persona può lasciare una traccia più difficile da notare di una telecamera o un microfono. Letture ordinarie di intensità del segnale, il tipo che molti dispositivi smart raccolgono già, possono essere trasformate in stime approssimative di dove qualcuno sia e come si muova. In un test controllato, un modello addestrato su dati di canale molto più ricchi raggiungeva circa ottanta per cento di confidenza mentre una persona si muoveva in una piccola stanza. Quel numero è promettente, ma non dimostra che una sala possa essere mappata con accuratezza al metro. Il sistema vedeva movimento ampio, presenza e cambiamenti di postura, ma produceva anche stime sicure quando la stanza era vuota.

Questo divario tra promessa e affidabilità conta perché l’hardware è già ovunque. Televisori smart, router, telefoni e altri oggetti connessi potrebbero diventare monitor ambientali senza che nessuno installi una nuova telecamera. Questo apre possibilità utili per il rilevamento dell’occupazione e per un monitoraggio attento alla privacy in case che preferiscono un tracciamento meno visibile del video. Crea anche un problema più difficile: segnali invisibili possono essere letti da software di cui gli utenti non pensano mai, quindi l’onere si sposta sui progettisti, che devono costruire limiti, audit e consenso chiaro nei dispositivi fin dall’inizio.

La domanda vera non è se il Wi-Fi possa rilevare persone. La domanda più difficile è se la società deciderà, prima che quei sensori diventino normali, cosa sono autorizzati a sapere.