這兩天，在社交媒體 X 上，一種“穿牆透視技術”引起了廣泛討論。
這是 GitHub 平臺的一個開源項目 WiFi-DensePose，截至目前已獲得 3 萬+ 星標。
簡單來理解，它僅通過路由器的 Wifi 信號就可以穿透牆壁，實時推斷室內人體的精確的運動軌跡和姿態。關鍵是，它不需要攝像頭或雲計算、沒有激光雷達和傳感器，甚至連特殊硬件都不需要。
圖丨相關推文（來源：X）
現在，當我們通常用攝像頭進行監控，在光線條件不佳的環境下，例如遇到遮擋、光線昏暗甚至完全黑暗等情況，不僅所拍攝的影像模糊，還涉及到隱私泄露等問題。另一方面，激光雷達等設備使用門檻較高，不僅價格高昂，還費電。
該系統所使用的 WiFi 設備簡單、成本低，不僅能實現信號穿牆，還不受光線等客觀條件的限制，也不會拍攝到人臉。
根據項目公開資料，該系統以 54,000 幀/秒的處理速度運行，即便多人同時在室內也可實現穿牆檢測，探測深度可達 5 米。系統完全在低成本硬件支持下運行，例如 ESP32 傳感器網絡（每個節點成本低至約 1 美元），整個模型僅需 55 KB 內存。
從硬件成本來看，該系統只需要普通 3 天線 WiFi 路由器，總成本大概在 54 美元。與激光雷達（約 700 美元）相比，具有顯著的價格優勢。
這種技術在不侵犯隱私的條件下，能夠監測室內人體的姿態。此外，該系統在無需任何可穿戴設備的條件下，還可以檢測呼吸頻率（6-30 次/分鐘）和心率（40-120 次/分鐘）。
小型可編程邊緣模塊在本地分析信號，並隨時間的推移學習房間的射頻特徵，從而使系統能夠將環境與內部發生的活動進行區分，相當於在普通環境下獲得了一種空間感知能力。
圖丨工作原理（來源：GitHub）
這項技術的原型來自卡內基梅隆大學團隊的學術成果，相關論文題目爲“DensePose from WiFi”。該系統的關鍵技術在於 WiFi 設備的信道狀態信息（CSI，Channel-state-information），通過 3 個發射天線和 3 個接收天線採集信號。
（來源：GitHub）
但是，CSI 一般僅用於二維感知，爲更好地進行空間感知，研究人員對原始 CSI 信號進行相位去噪與校準處理，以消除因設備時鐘不同步，以及環境干擾所引發的隨機漂移和跳變等問題。
（來源：GitHub）
研究人員以 100Hz 的採樣率在 30 個子載波頻率中進行採集，然後他們將 5 個連續的 CSI 樣本整理成特定維度的幅度與相位張量，將它們作爲模型的輸入數據。
（來源：GitHub）
在模型設計方面，該團隊使用了兩階段的深度學習框架。第一階段是模態轉換網絡，基於多層感知機與卷積-反捲積結構，把 CSI 信號映射成三通道特徵圖，進而實現了 1D 信號向 2D 空間表示的轉化。
第二階段通過改進的 DensePose-RCNN 結構，來評估人體檢測、關鍵點定位和密集姿態的特徵。值得關注的是，它可以還原出人體的三維表面信息。
（來源：arXiv）
另一方面，研究團隊採用遷移學習策略來提升訓練效率。首先，研究人員用基於圖像的 DensePose 模型當做教師網絡，然後對比 WiFi 信號生成的中間特徵圖和圖像生成的特徵圖，通過最小化兩者之間的差異來指導學生網絡的訓練。
結果顯示，該方法將訓練所需迭代次數顯著減少到 14.5 萬次，同時提升了模型的收斂速度和泛化能力。
這個系統在多種場景具有應用前景，例如居家場景，實時觀測老人或兒童的摔倒和日常活動行爲；在智能家居場景，也可根據監測到的姿勢進行智能響應；此外，還可用於室內安防，來監測是否有異常情況。
未來，隨着技術的發展和優化，該技術有望成爲兼具實用性和隱私保護的感知方式，並與當下傳感器在特定場景下的應用形成一種互補的方案。
參考資料：
https://x.com/oliviscusAI/status/2030602059712471112
https://github.com/ruvnet/RuView
https://arxiv.org/pdf/2301.00250
運營/排版：何晨龍
