Привет, Хабр! Меня зовут Алексей, и я занимаюсь беспроводными технологиями. Примерно год назад я написал для Хабра свою первую статью. Она была посвящена новой технологии Wi‑Fi‑сенсинга. Интересно, что на протяжении всего года эта первая статья напоминала о себе. По просьбе нескольких вузов я и мои коллеги выступили с презентациями и мастер‑классами. В Алтайском университете провели несколько семинаров, посвящённых сенсингу. В Томском университете систем управления и радиоэлектроники провели Большую сетевую битву, и, конечно же, Wi‑Fi‑сенсинг не остался без внимания. А уважаемый @koriyas, будучи студентом СПбГМТУ, с нашей лёгкой подачи выбрал Wi‑Fi‑сенсинг в качестве темы дипломной работы и успешно прошёл защиту. Мы начали делать НИОКР по Wi‑Fi‑сенсингу в интересах крупного оператора связи РФ. Общались с множеством людей по поводу производства и внедрения решений сенсинга в широкие массы, но эта технология пока ещё неохотно выходит из лаборатории на рынок. В новой статье я сделаю обзор актуальных научных исследований, посвящённых сенсингу: что происходит в мире в этой области, как развивается технология и почему то волшебство, которое она предлагает, пока ещё не появилось в каждом доме.
Введение
Прежде чем перейти к основной теме, хочу обратить внимание на пару моментов. Компания, в которой я работаю, занимается разработкой программного обеспечения для беспроводного телекоммуникационного оборудования, строит беспроводные сети, проводит аудиты и радиоразведку. Среди прочего у нас есть направление, связанное с научными исследованиями, и в нём мы занимаемся в том числе проблемами Wi‑Fi‑сенсинга. У нас есть свой стенд, где мы проверяем разные гипотезы и ставим эксперименты. Поэтому всё то, о чём будет написано ниже, это не просто компиляция информации из разных источников, это в том числе и личный опыт погружения в тематику и проведения исследований.
Я постараюсь сделать научный обзор, но написать всё максимально простым языком. Но всё же подозреваю, что данный материал будет иметь повышенную сложность. Если вы впервые слышите термин «Wi‑Fi‑сенсинг», то я рекомендую прочитать мою первую статью, просто рассказывающую о том, что это такое: «Wi‑Fi вокруг нас превращается в шестое чувство: как беспроводные сети видят сквозь стены и считывают дыхание».
Если же материал вам понравится и вы захотите получить больше информации, то в качестве отправной точки хочу обратить ваше внимание на следующие две статьи.
Первая — A Survey on Wi‑Fi Sensing Generalizability: Taxonomy, Techniques, Datasets, and Future Research Prospects. Статья подготовлена весьма уважаемыми и известными членами инженерного сообщества IEEE. Это по‑настоящему крутая статья: она представляет собой обзор всего того, что связано с исследованиями в области Wi‑Fi‑сенсинга начиная с 2015 года. Авторы проделали большую работу, изучив и обобщив результаты более чем 200 исследований. Они систематизируют методы по четырём этапам: экспериментальная установка, предварительная обработка сигналов, обучение и развёртывание модели. Также представлен обзор общедоступных наборов данных для различных задач (распознавание активности, идентификация пользователей, локализация, оценка позы) и обсуждаются будущие направления, включая крупномасштабное предобучение и интеграцию с мультимодальными фундаментальными моделями.
Вторая статья — Commodity Wi‑Fi‑Based Wireless Sensing Advancements over the Past Five Years. Это статья от авторов из Школы электронной и электротехнической инженерии Шанхайского университета инженерных наук. Это также обзор, но он охватывает чуть меньший период (последние 5 лет), при этом содержит некоторые свежие данные, которые не попали в прошлую статью. Работы классифицируются по двум критериям: по сценариям применения (обнаружение присутствия, распознавание походки, жестов, активности, локализация, мониторинг жизненных показателей, построение поз и изображений) и по методологии (модельно‑ориентированная, на основе ручных статистических признаков и на основе глубокого обучения). Авторы выделяют две главные проблемы — зависимость от предметной области и ограниченную дальность зондирования — и обсуждают три перспективных направления: стандартизацию оценки зондирования, баланс между зондированием и связью, а также повышение обобщаемости и надёжности систем.
Что такое Wi‑Fi‑сенсинг?
Если говорить в двух словах, это технология, которая позволяет видеть с закрытыми глазами. Представьте: есть закрытая комната, в которой находится несколько Wi‑Fi‑устройств. Это могут быть как Wi‑Fi‑роутеры или точки доступа, так и специализированные передатчики и приёмники, собранные, например, на базе ESP. Кстати, не обязательно эти устройства должны находиться внутри комнаты: в некоторых работах показывается, что они находятся за пределами исследуемого помещения. Анализируя данные о состоянии радиоканала с этих устройств, мы можем определить следующие вещи:
Есть ли в помещении люди.
Сколько человек находится.
В каких позах они находятся.
Можно определить их дыхание и сердцебиение.
Можно детектировать животных и технику, например робот‑пылесос.
Можно даже «подслушать», о чём они говорят.
Можно идентифицировать человека по его движению.
Когда сталкиваешься с этим в первый раз, кажется, что это волшебство. Как же такое волшебство возможно? Опять же, если просто, то радиоволны, распространяясь от передатчика к приёмнику, многократно отражаются от разных препятствий, в том числе и от объекта исследований, частично поглощаются, затухают и тем самым формируют уникальную картину, на основе которой можно делать все те фокусы, о которых написано в прошлом абзаце.
Если же говорить чуть более формальным математическим языком, то детекция происходит на основе данных о состоянии канала (CSI — Channel State Information). Далее позволю себе цитату из статьи, приведённой выше.
CSI описывает, как сигнал распространяется через беспроводной канал. Математическим языком беспроводной канал связи может быть определён следующим образом:
Где X и Y — переданный и принятый сигналы соответственно. H — матрица канала, представляющая CSI, а N обозначает шум канала.
В типичной внутренней среде, показанной на рисунке ниже, сигнал, отправленный передатчиком (Tx), проходит по нескольким путям, прежде чем достичь приёмника (Rx), что также известно как многолучевой эффект. Поэтому, предполагая, что существует L различных путей, беспроводной канал H может быть математически выражен как импульсная характеристика канала (CIR), следующим образом:
Где a ᵢ,θ ᵢ и τ ᵢ — комплексное затухание амплитуды, фазовый сдвиг и задержка распространения i‑го пути соответственно; δ(t) — дельта‑функция Дирака. Каждый импульс в сумме уравнения представляет собой задержанный многолучевой компонент, умноженный на соответствующее изменение амплитуды и фазы.
Как показано на рисунке выше, когда человек движется внутри зоны сигнала, человеческое тело неизбежно изменяет конкретный путь распространения, тем самым изменяя CIR. Следовательно, основной принцип беспроводного зондирования заключается в анализе изменений канала, вызванных человеком. Однако CIR не может быть точно измерена с помощью серийных Wi‑Fi устройств, особенно учитывая ограниченную полосу пропускания Wi‑Fi. К счастью, с принятием технологии ортогонального частотного мультиплексирования (OFDM) в текущем стандарте IEEE 802.11, исследователи обратились к изучению частотной характеристики канала (CFR), эквивалентного представления CIR в частотной области.
Где ∣CFR(f)∣ и ∠CFR(f) представляют амплитудно‑частотную и фазо‑частотную характеристики CFR соответственно. С соответствующими модификациями драйверов, исследователи смогли получать основанную на OFDM дискретизированную версию CFR с помощью серийных (COTS) сетевых интерфейсных карт (NIC) Wi‑Fi с 2010 года, что значительно стимулировало развитие Wi‑Fi‑зондирования. В частности, извлеченный CFR описывает амплитуду и фазу различных поднесущих, которые могут быть выражены следующим образом:
Где H(fᵢ) — это CFR, дискретизированная на i‑й поднесущей с центральной частотой fᵢ. Фактически, данные CSI H={H(fᵢ)∣i∈[1,N]}, используемые в большинстве исследовательских работ, напрямую относятся к определению, данному последним уравнением, то есть дискретизированной версии CFR на уровне поднесущих.
Собственно, приведённое определение имеет два важных следствия. Первое — убедительно показывается возможность на основе CSI‑слепков узнавать информацию об окружающем мире. Действительно, дискретизированная CFR закладывает основы для передового Wi‑Fi‑зондирования. Данные CSI содержат богатую информацию о распространении сигнала, прокладывая путь для реализации различных современных приложений.
Второе следствие не такое радужное. Из определения видно, что для эффективной работы потребуется достаточно большое количество данных о состоянии канала, а выполнение даже простых преобразований над CSI‑матрицей будет достаточно требовательно к ресурсам.
Но напомню: всё это зарождается примерно в 2010 году. Как раз в этот период начинается развитие направления больших данных, когда кажется, что если ты сможешь собрать по‑настоящему много данных, то сможешь классифицировать всё что угодно. При этом доступные вычислительные мощности продолжают увеличиваться, и нейронные сети, долгое время существовавшие только в теории, начинают получать практические воплощения. В этот момент кажется, что большие данные и нейронные сети смогут придать технологии взрывной рост. Отчасти это правда: начиная с 2010 года появилось множество интересных практических решений, некоторые из них в каком‑то виде смогли выйти на рынок, некоторые стали отправной точкой для дальнейших исследований.
Прорывы и достижения в области Wi‑Fi‑сенсинга последних лет
Ниже я просто тезисно перечислю наиболее популярные и интересные решения. Если вас что‑то заинтересует, вы самостоятельно сможете найти о них информацию. Ну и, чтобы не отвлекать вас от основного повествования, я помещу их под спойлер.
Прорывы и достижения в области Wi‑Fi сенсинга последних лет
Обнаружение присутствия
WiCPD (2022) — система для обнаружения ребёнка, оставленного в машине. Работает через Wi‑Fi и выдаёт точность обнаружения 96–100%.
WI‑MOID (2024) — различает, кто именно движется: человек, домашнее животное или робот‑пылесос. Точность — 97,34% при частоте ложных срабатываний всего 1,75%.
Распознавание походки и идентификация
GaitSense (2021) — идентифицирует человека по походке с точностью 93,2% для 5 пользователей.
GaitWay (2021) — оценивает скорость ходьбы сквозь стены с медианной ошибкой всего 0,12 м/с.
Wi‑PIGR (2022) — распознаёт походку независимо от траектории. До 93,5% точности для одного пользователя.
Распознавание жестов
Widar 3.0 (2022) — флагманская работа в этой области. Использует Body‑coordinate Velocity Profile (BVP) для извлечения доменно‑независимых признаков. Точность внутри домена — 92,7%, при кросс‑доменном переносе — от 82,6% до 92,4%.
UniFi (2023) — унифицированный фреймворк для распознавания жестов с точностью 99% внутри домена и 90–98% при кросс‑доменном переносе.
Детекция падений
DeFall (2022) — детекция падений с точностью 95% и частотой ложных срабатываний всего 1,5%.
FallDar (2023) — ещё одна система детекции падений с частотой ложных срабатываний 5,7% и пропущенных — 3,4%.
Локализация и трекинг
WiTraj (2023) — трёхмерное отслеживание движения человека с медианной ошибкой 2,5%.
Wi‑Drone (2022) — управление дроном в помещении с помощью Wi‑Fi‑трекинга. Средняя ошибка позиционирования — 26,1 см.
Мониторинг жизненных показателей
MultiSense (2020) — мониторинг дыхания нескольких людей одновременно. Средняя ошибка — 0,73 вдоха/мин.
SMARS (2021) — оценка дыхания и распознавание стадий сна с точностью 88%.
WiPhone (2021) — мониторинг дыхания через смартфон с ошибкой 0,31 вдоха/мин.
Построение позы и изображений
GoPose (2022) — 3D‑оценка позы человека с точностью 4,7 см.
Wiffract (2022) — “чтение” неподвижных 3D‑объектов через стены. Точность распознавания букв — 86,7%.
WiMeasure (2023) — измерение размеров объектов с медианной ошибкой 2,6 мм.
Вспомогательные и прикладные
EfficientFi (2022) — сжатие CSI для облачных вычислений с сохранением точности 98%. Важно для масштабирования.
MaskFi (2024) — использует трансформеры и достигает точности 97,61%.
Список, действительно, впечатляет, но, как уже было сказано выше, технологии сенсинга пока так и не вышли в массовое применение, хотя первые задачи — получить больше вычислительной мощности и насобирать как можно больше данных о CSI в разных условиях — были выполнены.
ТОП-10 датасетов для Wi‑Fi‑сенсинга
Ниже также приведу небольшой обзор самых топовых датасетов, посвящённых разным аспектам Wi‑Fi‑зондирования. И, чтобы не раздувать объём статьи, также спрячу под спойлер. Все датасеты сопровождаются ссылками и доступны для скачивания.
Топ‑10 датасетов для Wi‑Fi‑сенсинга
Widar 3.0
Год: 2019
Основная задача: Распознавание жестов
Описание: Легендарный датасет, ставший золотым стандартом для проверки алгоритмов распознавания жестов. Содержит более 258 000 записей жестов, собранных в 75 различных условиях (доменах). Особенность датасета — использование Body‑coordinate Velocity Profile (BVP), доменно‑независимого признака, который позволяет модели обобщаться на новые локации, окружения и субъектов.
Ссылка: http://tns.thss.tsinghua.edu.cn/widar3.0/
XRF55
Год: 2024
Основная задача: Распознавание активности
Описание: Самый разнообразный по действиям датасет. Включает 55 категорий активностей, разделённых на 5 групп: взаимодействие человека с объектами, взаимодействие между людьми, фитнес, движения тела и человеко‑компьютерные инструкции. Собран с участием 39 испытуемых в течение 100 дней. Всего 42,9 тыс. образцов. Уникальность датасета в том, что он мультимодальный: содержит данные с 9 Wi‑Fi‑линков, 23 RFID‑меток, одного mmWave‑радара и камеры Azure Kinect.
Ссылка: https://aiotgroup.github.io/XRF55/
CSI‑Bench
Год: 2025
Основная задача: Мультизадачный бенчмарк
Описание: Самый реалистичный и свежий датасет, собранный «в дикой природе» в 26 различных помещениях с участием 35 реальных пользователей. Содержит более 461 часа записей. Включает задачи: обнаружение падений, обнаружение дыхания, локализация, распознавание источника движения, распознавание активности человека, идентификация человека и распознавание близости. Принят и представлен на NeurIPS 2025.
Ссылка: https://github.com/guozhen‑jenn‑zhu/CSI‑Bench‑Real‑WiFi‑Sensing‑Benchmark
MM‑Fi
Год: 2023
Основная задача: Мультимодальное распознавание активности
Описание: Первый мультимодальный 4D‑датасет для оценки позы человека. Содержит более 320 тыс. синхронизированных кадров пяти модальностей (Wi‑Fi, LiDAR, радар, RGB, глубина) от 40 испытуемых в четырёх доменах. Включает 27 категорий действий — как бытовых, так и реабилитационных. Аннотации содержат 2D/3D‑позы, 3D‑позиции и категории действий. Опубликован на NeurIPS 2023 Datasets and Benchmarks Track.
Ссылка: https://github.com/ybhbingo/MMFi_dataset
SignFi
Год: 2018
Основная задача: Распознавание языка жестов
Описание: Самый крупный датасет для распознавания жестового языка. Содержит 276 жестов американского языка жестов (ASL). В лабораторной среде собрано 5 520 экземпляров от одного пользователя, в домашней — 2 760. Также есть версия с 150 жестами, выполненными пятью пользователями (7 500 экземпляров). Данные представлены в виде CSI‑трейсов.
Ссылка: https://github.com/yongsen/SignFi
WiAR
Год: 2019
Основная задача: Распознавание активности
Описание: Классический датасет, один из первых и самых известных в области. Десять добровольцев выполняют 16 действий (включая махи руками, удары ногами, наклоны, ходьбу, звонок по телефону, приседания и др.). Каждое действие повторяется 30 раз. Из сырых данных можно извлечь как RSSI, так и CSI. Отличная отправная точка для новичков.
Ссылка: https://github.com/linteresa/WiAR
WiMANS
Год: 2024
Основная задача: Мульти‑пользовательское распознавание активности
Описание: Первый датасет для Wi‑Fi‑сенсинга, ориентированный на сценарии с несколькими пользователями. Содержит 11 286 CSI‑образцов в двух диапазонах (2,4 и 5 ГГц) и синхронизированные видео. Каждый трёхсекундный образец содержит от 0 до 5 человек, выполняющих одинаковые или разные действия одновременно. Опубликован на ECCV 2024.
Ссылка: https://github.com/huangshk/WiMANS
FallDeFi
Год: 2018
Основная задача: Обнаружение падений
Описание: Специализированный датасет для детекции падений. Собран в пяти различных средах: спальня, кухня, коридор, лаборатория и ванная комната. Три участника выполняли падения и другие активности (ходьба, прыжки, приседания, вставание). Каждое действие длилось 10 секунд. Всего 1 153 образца.
Ссылка: https://www.kaggle.com/datasets/tuyenldvn/falldataset‑imvia
OPERAnet
Год: 2022
Основная задача: Мультимодальное распознавание активности
Описание: Богатый мультимодальный датасет, собранный с четырёх синхронизированных модальностей: Wi‑Fi CSI (Intel 5300, 3×3 MIMO, 5 ГГц), пассивный Wi‑Fi‑радар (USRP‑2945), две UWB‑системы и две камеры Microsoft Kinect v2. Шесть участников выполняли семь активностей (сидение, вставание, лежание, подъём с пола, ходьба, вращение корпуса ) в двух разных комнатах. Общая длительность записей — около 8 часов.
Ссылка: https://doi.org/10.6084/m9.figshare.c.5551209.v1
UT‑HAR
Год: 2017
Основная задача: Распознавание активности
Описание: Один из пионерских датасетов, который, наряду с WiAR, часто используется как базовый бенчмарк для новых методов распознавания активности. Помог заложить основы для многих современных подходов. Активно используется в исследованиях по облачному Wi‑Fi‑сенсингу и сжатию CSI.
Ссылка: https://github.com/bornabr/RSCNet (ссылка на датасет внутри репозитория)
Если всё так хорошо, почему сенсинг ещё не в каждом доме?
Действительно, вопрос «почему сенсинг так и не получил массового распространения?» стоит достаточно остро. Мы сейчас вместе проверили теоретическую базу, и она вроде бы не вызывает противоречий. С 2010 года было накоплено много данных, проведено много лабораторных экспериментов, подтвердивших возможности сенсинга. В чём же причина того, что технология так и не может выйти на рынок?
В разных работах эту причину называют «проклятьем обобщённости» (generalizability), имея в виду, что полученные результаты крайне сложно обобщить и перенести на другие модели, условия, помещения и так далее. Или говорят о проблеме кросс‑доменного переноса, понимая под доменом в целом область определения — множество всех значений всех параметров, влияющих на данные о состоянии канала. Но в целом из этой проблемы можно выделить множество подпроблем.
Проблема 1. Все люди разные
Оказалось, что телосложение человека ощутимо влияет на данные о состоянии канала. Иными словами, если вы обучите модель на толстом человеке, она не будет корректно работать с худыми и высокими. Да, просто обнаружить движение можно будет, но если вы работаете с детекцией дыхания, то тут уже необходимо учитывать не только худой человек или толстый, низкий или высокий, но и количество жира, мышц и так далее. И это мы просто пытаемся работать со взрослым человеком, а добавьте сюда детей и ещё домашних животных. Но и это ещё не всё. Оказывается, не только все люди разные, но и одеваются они в разную одежду. И одежда также вносит свои погрешности.
Тут хочу поделиться историей, которая произошла с нашей командой. Мы в качестве гипотезы хотели детектировать состояние спортсмена на стадионе, когда он пробегает определённую зону между приёмником и передатчиком. Идея не лишена смысла. С одной стороны, её можно использовать на соревнованиях для неинвазивного контроля спортсменов; с другой стороны, мы заранее знаем, где будет пробегать спортсмен, и настраиваем всё оборудование на конкретную область. Мы начали с одного конкретного спортсмена и обучили модель на нём. Но когда перешли к более интенсивным испытаниям, модель сломалась. Оказалось, мокрая от пота одежда и сам пот на теле спортсмена полностью ломают исходную модель и требуют переобучения.
Проблема 2. Разные помещения и условия
Как оказалось, можно добиться высокой точности в лаборатории, но при переходе в реальную среду всё рассыпается. Что конкретно будет влиять на сенсинг в новых условиях? Почти всё. Расположение роутеров, направление антенн, планировка помещения, мебель в помещении. А наличие зеркал или металлических предметов просто умножит все исходные данные на ноль. А кроме чисто физических объектов в пространстве, это ещё и помехи и шум от соседних роутеров и других устройств типа сенсоров умного дома, микроволновок и так далее
Проблема 3. Все роутеры разные
До этого момента мы говорили, что, получив результат на одном оборудовании, сложно его переместить в другую среду даже на этом же оборудовании. Но также верно и то, что, получив результат на одном оборудовании, на другом оборудовании в идентичных условиях ничего работать не будет. Это связано с тем, что разные чипы в одних и тех же условиях будут по‑своему выдавать данные о состоянии канала. Именно поэтому ни один из датасетов, которые были приведены выше, так и не стал стандартом.
Это отчасти связано с тем, что инструменты для извлечения CSI‑данных не успевают за развитием технологий. В большинстве работ учёные и инженеры используют устаревший Intel 5300 с поддержкой только 802.11n. А новые стандарты (Wi‑Fi 6, Wi‑Fi 7) дают гораздо больше возможностей. Но инструментов для работы с ними почти нет. В следующей таблице перечислены, пожалуй, все инструменты для извлечения CSI, доступные на сегодняшний день.
Название | Макс. MIMO | Поддержка 802.11 | Макс. кол‑во поднесущих | Полоса пропускания | Тип |
|---|---|---|---|---|---|
Intel CSI Tool | 2×2 | n | 60 | 40 МГц | CSI |
Atheros CSI Tool | — | n | 114 | 40 МГц | CSI |
Nexmon CSI Tool | 4×4 | n/ac | 256 | 80 МГц | CSI |
Wi‑ESP | 2×2 | b/g/n/ac | 64 | 40 МГц | CSI |
ZTE CSI Tool | 3×2 | n/ac/ax | 512 | 160 МГц | CSI |
PicoScenes | 4×4 | a/g/n/ac/ax/be | 1024 | 320 МГц | CSI |
BFM‑Tool | 4×4 | ac/ax | 512 | 160 МГц | BFI |
Как решаются эти проблемы
Если говорить о том, как решаются эти проблемы и как в целом сейчас происходит научное развитие сенсинга, то можно выделить четыре направления.
1. Методы предварительной обработки сигналов
Идея здесь простая: выделить из набора CSI такие паттерны, которые, с одной стороны, будут менее зависимы от доменного переноса, а с другой — не тащить с собой всю CSI‑матрицу, а выделить только что‑то важное, с чем можно плотно поработать, например загрузив в облако. Идеи исследований здесь самые разнообразные — начиная от использования метода главных компонент и заканчивая профилем скорости в координатах тела — признаком, который описывает распределение энергии движения по различным скоростям частей тела.
2. Методы построения физических моделей
На сегодняшний момент популярны три модели описания поведения сигнала во взаимодействии с физическими объектами.
Модель зон Френеля: описывает изменение сигнала при пересечении объектом концентрических эллипсов (зон) между передатчиком и приёмником. Используется для объяснения поведения сигнала и построения интерпретируемых систем, например для определения направления движения.
Модель рассеяния: рассматривает все объекты как рассеиватели сигнала. Это статистическая модель, которая хорошо работает в сложных indoor‑сценариях и используется для оценки скорости.
Модель дифракции: описывает изменение сигнала, когда объект находится в первой зоне Френеля. Позволяет объяснять немонотонные изменения амплитуды сигнала.
3. Методы машинного обучения и классификации
Здесь огромное разнообразие самых различных методов для самых разных задач. Например, для борьбы с зависимостью от среды часто используется состязательное обучение, при котором модель учится создавать признаки, по которым нельзя определить, из какой среды они получены.
Генеративные сети используются для создания синтетических наборов данных из существующих или даже для создания данных по данным другого уровня абстракции. Например, можно нагенерировать 3D‑модели людей с разным телосложением и на их основе синтезировать CSI‑данные для последующего обучения.
Рекуррентные и свёрточные сети традиционно используют для извлечения пространственно‑временных признаков из CSI. Кстати, всё более популярными становятся трансформеры.
4. Системные и архитектурные методы
Эти методы направлены на практическое развёртывание сетей в реальных условиях. Чаще всего фокус этих моделей направлен на создание баланса между обучением на новых данных и «забыванием» устаревших. Система эксплуатируется в реальных условиях, и окружающая обстановка постоянно меняется. Очевидно, что требуется постоянное новое обучение. И здесь можно пойти либо через динамическое расширение модели, например добавление новых обучаемых параметров для каждой новой задачи, либо через дистилляцию знаний, когда большая исходная модель сжимается в маленькую для конкретных задач.
Нужно сказать, что иногда встречаются по‑настоящему элегантные и оригинальные методы по работе с CSI‑данными. Например, авторы статьи Wi‑Chat: Large Language Model Powered Wi‑Fi Sensing натравили большие языковые модели на работу с CSI‑данными. Вместо того чтобы обучать сложную нейросеть на тысячах примеров, авторы прямо в промпт зашили физические модели Wi‑Fi‑сенсинга. Они создали чёткие словесные описания того, как сигнал меняется при разных активностях:
Ходьба: «крупное движение, вызывающее множество пиков и впадин в амплитуде CSI».
Падение: «внезапное движение с одним значительным пиком, за которым следует статичный период».
Дыхание: «плавное, медленное изменение с умеренным диапазоном».
Нет события: «амплитуда остаётся стабильной».
«Мы формулируем подсказку для LLM при ходьбе следующим образом: „Ходьба — это крупномасштабная активность, вызывающая значительные изменения амплитуды Wi‑Fi CSI во времени, характеризующаяся наличием многочисленных пиков и впадин“.»
Авторы пишут, что вдохновлялись тем, как люди сами интерпретируют сигналы. Мы, глядя на график, можем сказать: «О, здесь много пиков — значит, человек ходит». Так почему бы не научить этому LLM? Вместо того чтобы учить модель математике, они научили её физике на человеческом языке.
Это, конечно же, здорово и значительно снижает планку входа в анализ данных сенсинга.
Что будет дальше?
В завершение статьи позволю написать своё личное видение развития этой технологии. В мае 2025 года IEEE официально утвердил стандарт 802.11bf — первый в истории, специально разработанный для Wi‑Fi‑сенсинга. Можно ожидать, что появится единый инструмент для разработчиков и устройства разных вендоров смогут отдавать согласованные данные. Это приведёт к значительному росту обучающих выборок и к окончательному прорыву технологии. Думаю, что первые массовые коммерческие устройства появятся уже в 2027 году. Вначале это будут устройства узкой специализации, например только для отслеживания сна. Тут всё просто: устройство стоит на прикроватной тумбочке и «понимает», где спит человек, — и такие устройства уже есть. Или для размещения в одинаковых условиях, например в стандартизованных гостиничных номерах с идентичным наполнением, или, что более вероятно, в больничных палатах для мониторинга жизненных показателей пациентов. В общем, все те устройства, которые будут минимизировать проблемы, описанные выше. Например, находиться чётко в одном месте для исследования только одной небольшой фиксированной области.
Если же говорить о конкретном практическом исполнении, то мне видится, что это будет один мощный Wi‑Fi 7 роутер, который будет поставляться в комплекте с несколькими дополнительными mesh‑роутерами попроще — чтобы убить всех зайцев: сделать покрытие по всему дому и получить полноценное решение для зондирования. Также в комплекте будет поставляться несколько дешёвых устройств на базе ESP, которые будут выполнять функции передатчиков.
Процесс юстировки данного оборудования будет сводиться к тому, что в систему нужно будет загрузить план помещения и разместить на нём оборудование. Возможно, описать план в стиле Ekahau, указав материал стен, ослабление сигнала и так далее. И если уж совсем дать волю фантазии, можно предположить, что в систему можно будет загрузить фотографии обстановки в комнатах и фото потенциальных пользователей — для распознавания материалов окружающей среды и телосложения. По крайней мере, именно по такому пути движется сейчас наша команда.
Библиография
Эта статья написана на основе следующих научных работ, опубликованных в 2024–2026 годах:
Zhang, H., Ren, Y., Yuan, H., Zhang, J., & Shen, Y. (2025). Wi‑Chat: Large Language Model Powered Wi‑Fi Sensing. arXiv:2502.12421.
Wang, F., Zhang, T., Xi, W., et al. (2025). A Survey on Wi‑Fi Sensing Generalizability: Taxonomy, Techniques, Datasets, and Future Research Prospects. arXiv:2503.08008.
Li, R., Deng, T., Feng, S., et al. (2025). WECAR: An End‑Edge Collaborative Inference and Training Framework for WiFi‑Based Continuous Human Activity Recognition. arXiv:2503.07669.
Zhu, G., Hu, Y., Wu, C., et al. (2025). Experience Paper: Scaling WiFi Sensing to Millions of Commodity Devices for Ubiquitous Home Monitoring. ACM MobiCom.
Zhu, H., Dong, E., Xu, M., Lv, H., & Wu, F. (2024). Commodity Wi‑Fi‑Based Wireless Sensing Advancements over the Past Five Years. Sensors, 24(22), 7195.
Kanda, T., Sato, T., Awano, H., Kondo, S., & Yamamoto, K. (2025). Respiratory Rate Estimation Based on WiFi Frame Capture. IEEE.
© 2026 ООО «МТ ФИНАНС»
