Wi-Fi-сенсинг: масштабный научный обзор данных, моделей, проблем и перспектив

Всем привет! Меня зовут Алексей, моя профессиональная сфера — беспроводные технологии. Около года назад я опубликовал на SE7ENе свою дебютную статью, посвящённую инновационной технологии Wi‑Fi‑сенсинга. Примечательно, что на протяжении всего этого времени материал продолжал приносить плоды: по приглашению ряда вузов мы провели серию презентаций и практических мастер-классов. В Алтайском государственном университете состоялся цикл тематических семинаров, а в Томском университете систем управления и радиоэлектроники прошла масштабная сетевая битва, где Wi‑Fi‑сенсинг занял центральное место. Более того, наш коллега @koriyas, будучи студентом СПбГМТУ, вдохновился этой темой и успешно защитил дипломную работу по данному направлению. Помимо академической сферы, мы запустили научно-исследовательские и опытно-конструкторские работы (НИОКР) в интересах крупного отечественного телеком-оператора. Мы провели множество переговоров о коммерциализации и массовом внедрении таких систем, однако технология пока еще с трудом покидает стены лабораторий ради открытого рынка. В этом материале я подготовил детальный обзор передовых научных изысканий в области сенсинга: что происходит на мировой арене, как эволюционирует методология и почему столь впечатляющие возможности до сих пор не стали привычной частью каждого умного дома.

Введение

Прежде чем погрузиться в суть вопроса, сделаю небольшую ремарку. Моя компания специализируется на разработке ПО для беспроводного телекоммуникационного оборудования, проектировании сетей, аудите и радиоразведке. Внутри компании функционирует отдел R&D, где мы целенаправленно изучаем проблемы Wi‑Fi‑сенсинга. У нас развернут собственный испытательный стенд, позволяющий тестировать гипотезы и проводить натурные эксперименты. Следовательно, всё изложенное ниже — это не просто компиляция чужих публикаций, а результат глубокого личного погружения в предметную область и практических исследований.

Я постарался изложить научные концепции максимально доступно, однако материал сохраняет высокий уровень сложности. Если вы впервые сталкиваюсь с понятием Wi‑Fi‑сенсинга, настоятельно рекомендую предварительно ознакомиться с моей первой статьей: «Wi‑Fi вокруг нас превращается в шестое чувство: как беспроводные сети видят сквозь стены и считывают дыхание».

Для читателей, желающих углубить свои знания, в качестве фундаментальной базы послужат две следующие работы.

Первая — A Survey on Wi‑Fi Sensing Generalizability: Taxonomy, Techniques, Datasets, and Future Research Prospects, подготовленная авторитетными экспертами сообщества IEEE. Это фундаментальный труд, обобщающий исследования в сфере Wi‑Fi‑сенсинга с 2015 года. Авторы проанализировали более 200 научных работ, систематизировав методологию по четырём ключевым этапам: подготовка эксперимента, предварительная обработка сигналов, обучение моделей и их развёртывание. Также в работе представлен подробный каталог открытых датасетов для различных задач (распознавание паттернов поведения, идентификация личностей, позиционирование, оценка скелетной позы) и обозначены вектры дальнейшего развития, включая масштабное предварительное обучение и интеграцию с мультимодальными базовыми моделями.

Вторая работа — Commodity Wi‑Fi‑Based Wireless Sensing Advancements over the Past Five Years, созданная исследователями из Шанхайского университета инженерных наук. Этот обзор охватывает последние пять лет и дополняет предыдущую работу свежими эмпирическими данными. Все исследования классифицируются по сценариям применения (детекция присутствия, анализ походки, распознавание жестов и активности, локализация, мониторинг витальных показателей, визуализация поз) и по применяемой методологии (модельный подход, ручные статистические признаки, глубокое обучение). Авторы акцентируют внимание на двух главных барьерах — высокой зависимости от конкретного окружения и ограниченном радиусе зондирования, предлагая взамен стандартизацию оценки, оптимизацию баланса между коммуникацией и сенсингом, а также повышение надёжности систем.

Что такое Wi‑Fi‑сенсинг?

Если попытаться сформулировать суть предельно кратко, это технология, наделяющая систему способностью «видеть» вслемаю. Представьте изолированное помещение, где функционирует несколько беспроводных устройств. Это могут быть стандартные роутеры, точки доступа или компактные приёмопередатчики вроде модулей ESP. Примечательно, что аппаратура вовсе не обязательно должна находиться внутри комнаты — ряд экспериментов доказывает эффективность работы и из смежных помещений. Анализируя характеристики распространения радиосигнала, система способна с высокой точностью определять:

• Присутствие людей в зоне покрытия.

• Точное количество находящихся в комнате лиц.

• Их текущую позу и положение тела.

• Параметры дыхания и сердечного ритма.

• Наличие домашних животных или автономной техники (например, робота-пылесоса).

• Факт речевой активности (своего рода «прослушивание» разговоров).

• Уникальные характеристики человека по траектории его движений.

При первой встрече с подобными решениями происходящее кажется чистой магией. За счёт чего достигается такой эффект? На базовом уровне радиоволны, преодолевая путь от передатчика к приёмнику, непрерывно отражаются от преград, включая объект исследования, частично поглощаются и затухают. В результате формируется уникальная радиочастотная картина, позволяющая реализовать все описанные выше сценарии.

На более строгом математическом языке процесс детектирования базируется на анализе информации о состоянии канала (CSI — Channel State Information). Обратимся к формулировкам из упомянутых выше научных трудов.

CSI характеризует особенности прохождения сигнала сквозь беспроводную среду. В математическом выражении канал связи описывается следующим соотношением:

Здесь X и Y обозначают отправленный и принятый сигналы соответственно, H представляет собой матрицу канала (CSI), а N учитывает влияние шумов канала.

В типичных условиях помещений сигнал от передатчика (Tx) следует к приёмнику (Rx) по множеству траекторий вследствие эффекта многолучевого распространения. При наличии L различных путей матрица канала H выражается через импульсную характеристику канала (CIR) следующим образом:

Где a ᵢ, θ ᵢ и τ ᵢ соответствуют комплексному затуханию амплитуды, фазовому сдвигу и задержке распространения для i-го луча, а δ(t) — дельта-функция Дирака. Каждое слагаемое в уравнении отражает отдельный многолучевой компонент с измененными амплитудно-фазовыми характеристиками.

Движение человека в зоне покрытия неизбежно деформирует траектории распространения волн, трансформируя CIR. Следовательно, фундаментальный принцип беспроводного зондирования заключается в фиксации и анализе вызванных человеческой активностью изменений канала. Тем не менее, прямое измерение CIR на стандартном Wi‑Fi-оборудовании затруднено из-за ограниченности полосы пропускания. Ситуация кардинально изменилась с внедрением ортогонального частотного мультиплексирования (OFDM) в стандартах IEEE 802.11, позволив исследователям перейти к изучению частотной характеристики канала (CFR) — частотному эквиваленту CIR.

Здесь ∣CFR(f)∣ и ∠CFR(f) обозначают амплитудно-частотную и фазо-частотную характеристики CFR. Модифицировав драйверы сетевых карт (NIC) общего назначения (COTS), исследователи получили возможность извлекать дискретную версию CFR на базе OFDM начиная с 2010 года, что придало мощный импульс развитию Wi‑Fi-сенсинга. Извлеченные данные описывают амплитуду и фазу на различных поднесущих частотах:

Где H(fᵢ) — CFR на i-й поднесущей с центральной частотой fᵢ. На практике массив CSI данных H={H(fᵢ)∣i∈[1,N]}, используемый в большинстве работ, полностью соответствует дискретизированной версии CFR на уровне поднесущих.

Из данного определения вытекают два важнейших обстоятельства. Первое неопровержимо доказывает принципиальную возможность извлечения детальной информации об окружении на основе слепков CSI. Дискретизированная характеристика закладывает основу для сложных приложений сенсинга, поскольку массив CSI хранит исчерпывающие данные о динамике распространения сигналов.

Второе следствие не столь оптимистично: для эффективного анализа требуются огромные объемы данных о состоянии канала, а любые манипуляции с матрицей CSI предъявляют высокие требования к вычислительным ресурсам.

Напомним, что активная фаза развития направления началась как раз около 2010 года — в эпоху зарождения концепции Big Data, когда бытовало мнение, что накопление колоссальных массивов информации позволяет классифицировать любые явления. Параллельно росли вычислительные мощности, а долгое время остававшиеся чисто теоретическими нейронные сети начали воплощаться на практике. Казалось, что большие данные и нейросети обеспечат взрывной рост технологии. Отчасти это оправдалось: с 2010 года появилось множество успешных практических решений, часть из которых вышла на рынок, а другие стали фундаментом для дальнейших изысканий.

Прорывы и достижения в области Wi‑Fi‑сенсинга последних лет

Ниже я тезисно перечислю наиболее яркие и востребованные разработки последних лет. Для удобства чтения они скрыты под спойлером.

Прорывы и достижения в области Wi‑Fi сенсинга последних лет

Обнаружение присутствия

• WiCPD (2022) — специализированная система выявления оставленных в салоне автомобиля детей. Обеспечивает точность в пределах 96–100%.

• WI‑MOID (2024) — дифференцирует движущиеся объекты (человек, домашнее животное, роботизированный пылесос). Точность достигает 97,34% при уровне ложных тревог всего 1,75%.

Распознавание походки и идентификация

• GaitSense (2021) — идентифицирует пользователя по паттернам ходьбы с точностью 93,2% для группы из 5 человек.

• GaitWay (2021) — измеряет скорость передвижения сквозь преграды с медианной погрешностью не более 0,12 м/с.

• Wi‑PIGR (2022) — классифицирует походку независимо от траектории движения с точностью до 93,5% для одного субъекта.

Распознавание жестов

• Widar 3.0 (2022) — этапная работа, использующая профиль скорости в координатах тела (BVP) для извлечения доменно-независимых признаков. Внутридоменная точность составляет 92,7%, при кросс-доменном переносе — от 82,6% до 92,4%.

• UniFi (2023) — унифицированная архитектура распознавания жестов, демонстрирующая 99% точности в рамках одного домена и 90–98% при переносе.

Детекция падений

• DeFall (2022) — система обнаружения падений с точностью 95% и вероятностью ложных срабатываний 1,5%.

• FallDar (2023) — аналогичное решение с долей ложных срабатываний 5,7% и пропущенных событий 3,4%.

Локализация и трекинг

• WiTraj (2023) — трёхмерное отслеживание перемещений с медианной погрешностью 2,5%.

• Wi‑Drone (2022) — навигация беспилотника внутри помещений по данным Wi‑Fi. Средняя погрешность позиционирования — 26,1 см.

Мониторинг жизненных показателей

• MultiSense (2020) — одновременный контроль параметров дыхания у нескольких людей. Средняя погрешность — 0,73 вдоха/мин.

• SMARS (2021) — оценка дыхательной активности и определение фаз сна с точностью 88%.

• WiPhone (2021) — мониторинг дыхания с помощью стандартного смартфона с погрешностью 0,31 вдоха/мин.

Построение позы и изображений

• GoPose (2022) — оценка трёхмерной скелетной позы человека с точностью 4,7 см.

• Wiffract (2022) — сканирование статических 3D-объектов сквозь стены. Точность распознавания символов — 86,7%.

• WiMeasure (2023) — прецизионное измерение габаритов объектов с медианной погрешностью 2,6 мм.

Вспомогательные и прикладные

• EfficientFi (2022) — алгоритм компрессии CSI для облачной инфраструктуры с сохранением точности на уровне 98%, критически важный для масштабирования.

• MaskFi (2024) — решение на базе архитектуры трансформеров, достигающее точности 97,61%.

Перечень впечатляет, но, как отмечалось ранее, технология пока не перешла в плоскость массового использования, несмотря на успешное решение первичных задач по наращиванию вычислительных мощностей и сбору массивов CSI в различных условиях.

ТОП-10 датасетов для Wi‑Fi‑сенсинга

Ниже представлен обзор ведущих наборов данных, охватывающих различные аспекты беспроводного зондирования. Все датасеты снабжены ссылками для скачивания и также скрыты под спойлером.

Топ-10 датасетов для Wi‑Fi-сенсинга

Widar 3.0
Год: 2019
Основная задача: Распознавание жестов
Описание: Легендарный эталонный датасет для валидации алгоритмов распознавания жестов. Включает более 258 000 образцов, записанных в 75 различных тестовых окружениях. Главная особенность — применение профиля скорости тела (BVP), обеспечивающего инвариантность к конкретным локациям и субъектам.
Ссылка: http://tns.thss.tsinghua.edu.cn/widar3.0/

XRF55
Год: 2024
Основная задача: Распознавание активности
Описание: Наиболее вариативный по типам действий датасет, содержащий 55 категорий активностей в 5 группах (взаимодействие с предметами, социальные действия, фитнес, движения тела, команды). Сформирован при участии 39 добровольцев за 100 дней (около 42,9 тыс. образцов). Уникальность заключается в мультимодальности: помимо данных с 9 радиоканалов Wi-Fi, он включает метки RFID, показания mmWave-радара и видеопоток Azure Kinect.
Ссылка: https://aiotgroup.github.io/XRF55/

CSI‑Bench
Год: 2025
Основная задача: Мультизадачный бенчмарк
Описание: Современный и реалистичный датасет, собранный в полевых условиях в 26 помещениях с привлечением 35 реальных пользователей (общая длительность записей превышает 461 час). Охватывает детектирование падений, мониторинг дыхания, локализацию, классификацию источников движения, распознавание действий, идентификацию личностей и оценку близости. Представлен на конференции NeurIPS 2025.
Ссылка: https://github.com/guozhen‑jenn‑zhu/CSI‑Bench‑Real‑WiFi‑Sensing‑Benchmark

MM‑Fi
Год: 2023
Основная задача: Мультимодальный анализ активности
Описание: Первый полноценный 4D-датасет для оценки скелетной позы, содержащий свыше 320 тыс. синхронизированных кадров в пяти модальностях (Wi‑Fi, LiDAR, радар, RGB, карта глубин) от 40 испытуемых. Включает 27 бытовых и реабилитационных сценариев с аннотациями 2D/3D-поз и категорий движений. Опубликован в треке датасетов NeurIPS 2023.
Ссылка: https://github.com/ybhbingo/MMFi_dataset

SignFi
Год: 2018
Основная задача: Распознавание языка жестов
Описание: Крупнейший специализированный датасет для перевода жестов, охватывающий 276 знаков американского жестового языка (ASL). В лабораторных условиях собрано 5 520 образцов от одного оператора, в домашних — 2 760. Также доступна версия с 150 жестами от пяти пользователей (7 500 записей CSI).
Ссылка: https://github.com/yongsen/SignFi

WiAR
Год: 2019
Основная задача: Распознавание активности
Описание: Классический базовый датасет, где 10 участников выполняют по 16 различных действий (махи, удары, наклоны, ходьба, звонки по телефону, приседания), каждое из которых повторялось 30 раз. Содержит сырые данные RSSI и CSI, слушаясь отличной отправной точкой для исследователей.
Ссылка: https://github.com/linteresa/WiAR

WiMANS
Год: 2024
Основная задача: Многопользовательское распознавание активности
Описание: Пионерский датасет для сценариев с множеством пользователей одновременно. Включает 11 286 записей CSI в диапазонах 2,4 и 5 ГГц с синхронизированным видеорядом. Каждый трёхсекундныйфрагмент отражает присутствие от 0 до 5 человек, выполняющих как одинаковые, так и разнородные действия. Представлен на ECCV 2024.
Ссылка: https://github.com/huangshk/WiMANS

FallDeFi
Год: 2018
Основная задача: Обнаружение падений
Описание: Узкоспециализированный датасет для детекции падений, сформированный в пяти различных зонах (спальня, кухня, коридор, лаборатория, ванная). Трое участников имитировали падения и фоновые активности (ходьба, прыжки, подъём). Общий объем — 1 153 образца длительностью по 10 секунд каждый.
Ссылка: https://www.kaggle.com/datasets/tuyenldvn/falldataset‑imvia

OPERAnet
Год: 2022
Основная задача: Мультимодальный анализ движений
Описание: Комплексный датасет, собранный с использованием четырёх синхронизированных систем: Wi‑Fi CSI (Intel 5300, 3×3 MIMO, 5 ГГц), пассивный радар (USRP-2945), две UWB-системы и две камеры Microsoft Kinect v2. Шесть участников выполняли семь базовых действий (сидение, вставание, лежание, подъём с пола, ходьба, повороты корпуса) в двух комнатах (общая длительность — 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 первых классических датасетов, наряду с WiAR использующийся в качестве эталонного бенчмарка. Сыграл ключевую роль в формировании фундаментов современных методологий анализа и активно задействуется в работах по облачному сжатию CSI.
Ссылка: https://github.com/bornabr/RSCNet (ссылка содержится внутри репозитория)

Если всё так хорошо, почему сенсинг ещё не в каждом доме?

Вопрос о причинах отсутствия массового распространения технологии стоит крайне остро. Теоретический базис выглядит убедительным и не содержит очевидных изъянов; начиная с 2010 года накоплен колоссальный массив данных и проведены тысячи лабораторных тестов. Что же сдерживает выход решений на коммерческий рынок?

В литературе этот комплекс трудностей принято именовать «проклятием обобщённости» (generalizability), под которым понимается колоссальная сложность экстраполяции результатов на иное оборудование, сценарии и архитектуру помещений. Часто говорят о проблеме кросс-доменного переноса, подразумевая под доменом пространство всех параметров, влияющих на характеристики радиоканала. За этой формулировкой скрывается целый пласт технологических преград.

Проблема 1. Анатомические и физиологические различия людей

Антропометрические данные человека существенно влияют на структуру канала. Иными словами, модель, обученная на сигналах от плотного человека, будет некорректно обрабатывать данные худощавых или высокорослых людей. Базовое обнаружение движения сохранит работоспособность, но задачи вроде мониторинга дыхания требуют точного учёта конституции тела, соотношения мышечной и жировой ткани. Ситуацию усложняют дети и домашние животные, а также одежда, также вносящая собственные погрешности в картину затухания.

Поделюсь кейсом из практики нашей команды. Мы тестировали гипотезу неинвазивного мониторинга спортсменов на стадионе при пересечении ими контрольной зоны между передатчиком и приёмником. Идея перспективна для спортивных соревнований, тем более что траектория движения заранее известна и оборудование настраивается под конкретный сектор. Обучив модель на одном атлете, мы столкнулись со сбоем при переходе к интенсивным нагрузкам: обильное потоотделение и влажная экипировка полностью разрушали исходные паттерны, требуя полного переобучения системы.

Проблема 2. Вариативность окружения и планировки

Высокая точность в лабораторных условиях часто испаряется при переносе в реальные квартиры. На качество сенсинга влияет практически всё: геометрия комнат, расстановка мебели, ориентация антенн, наличие зеркал и металлических конструкций. Добавьте к этому электромагнитные помехи от соседних роутеров, бытовых приборов вроде микроволновок и элементов умного дома.

Проблема 3. Аппаратная разнородность оборудования

Если перенос решения из одной физической среды в другую на одинаковом железе сопряжен с трудностями, то перенос между устройствами разных вендоров не работает вовсе. Различные чипсеты по-разному формируют и интерпретируют метрики состояния канала в идентичных условиях. Именно поэтому ни один из существующих датасетов до сих пор не стал общепринятым стандартом.

Проблема усугубляется отставанием инструментария извлечения CSI от темпов развития стандартов связи. Большинство исследований до сих пор опирается на устаревшие модули Intel 5300 с поддержкой лишь 802.11n, в то время как новые стандарты (Wi‑Fi 6, Wi‑Fi 7) открывают принципиально иные горизонты, инструменты для работы с которыми крайне ограничены. В таблице ниже приведены основные актуальные инструменты извлечения CSI.

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

Пути преодоления ограничений

Текущие академические и прикладные изыскания в сфере преодоления этих проблем развиваются по четырём ключевым направлениям.

1. Методы препроцессинга сигналов

Стратегия заключается в выделении из массивов CSI устойчивых к доменному переносу паттернов без необходимости обработки всей матрицы целиком (например, с возможностью выгрузки в облако). Исследования варьируются от классического анализа главных компонент до построения профилей скоростей в координатах тела.

2. Разработка физических моделей

В настоящее время доминируют три подхода к описанию взаимодействия сигналов с объектами:

• Модель зон Френеля: описывает флуктуации при пересечении объектом концентрических эллипсов между узлами сети, обеспечивая интерпретируемость (например, при определении направления движения).

• Модель рассеяния: рассматривает элементы интерьера как рассеиватели волн, эффективно работая в сложных indoor-условиях для оценки скорости.

• Модель дифракции: объясняет немонотонные изменения амплитуды при нахождении объекта в первой зоне Френеля.

  3. Методы машинного обучения

  Арсенал методов машинного обучения охватывает широкий спектр задач. Для нейтрализации влияния среды активно применяется состязательное обучение (Adversarial Training), заставляющее модель генерировать признаки, не зависящие от специфики помещения.

  Генеративные архитектуры применяются для синтеза обучающих датасетов: например, на основе 3D-моделей людей с разной комплекцией синтезируются соответствующие им структуры CSI.

  Свёрточные и рекуррентные сети извлекают пространственно-временные признаки из данных CSI, уступая при этом позиции современным трансформерам.

  4. Системные и архитектурные подходы

  Данный вектор нацелен на адаптацию сетей к реальной эксплуатации, где обстановка постоянно меняется. Для баланса между усвоением новых данных и сохранением старых знаний применяют либо динамическое расширение архитектуры (добавление параметров под новые задачи), либо дистилляцию знаний для сжатия громоздких моделей.

  Порой встречаются нетривиальные концепции. Например, авторы работы Wi‑Chat: Large Language Model Powered Wi‑Fi Sensing применили большие языковые модели (LLM) для анализа CSI. Вместо обучения нейросети на тысячах примеров они интегрировали физические принципы сенсинга напрямую в промпт в виде текстовых описаний паттернов:

  • Ходьба: «интенсивное движение, порождающее множество пиков и провалов амплитуды CSI».

  • Падение: «резкий скачок с единичным выраженным максимумом, сменяющийся стационарным состоянием».

  • Дыхание: «плавные низкоамплитудные колебания с умеренным размахом».

  • Отсутствие активности: «стабильный уровень амплитуды».

  «Мы формируем запрос для LLM следующим образом: „Ходьба представляет собой крупномасштабную активность, вызывающую значительные колебания амплитуды Wi‑Fi CSI во времени, которые характеризуются обилием локальных пиков и впадин“.»

  Авторы черпали вдохновение в человеческом восприятии: человек способен интерпретировать графики визуально, поэтому аналогичный подход адаптирован для LLM, заменяя строгую математику физическими законами, описанными на естественном языке, что снижает порог входа в анализ данных.

  Это существенно упрощает предварительную обработку и интерпретацию сигналов.

  Перспективы развития

  В завершение обзора поделюсь собственным видением эволюции технологии. В мае 2025 года консорциум IEEE официально ратифицировал стандарт 802.11bf, созданный специально для Wi‑Fi‑сенсинга. Ожидается появление единой инструментальной базы для разработчиков, при которой аппаратура разных производителей сможет оперировать унифицированными данными. Это простимулирует расширение обучающих выборок и обеспечит качественный рывок технологии.

  Полагаю, первые массовые коммерческие устройства появятся на рынке к 2027 году. Изначально это будут нишевые продукты — например, прикроватные трекеры сна, фиксирующие положение человека, либо специализированные решения для стандартизированных помещений (гостиничные номера или больничные палаты для мониторинга витальных параметров), то есть сценарии, минимизирующие описанные выше внешние факторы за счет фиксации в ограниченной зоне.

  С точки зрения практической реализации оптимальной конфигурацией видится мощный маршрутизатор с поддержкой Wi‑Fi 7 в комплекте с более простыми mesh-узлами для сплошного покрытия и парой недорогих ESP-модулей в роли дополнительных передатчиков.

  Процесс юстировки подобных комплексов будет сводиться к загрузке плана помещения и расстановки оборудования (по аналогии с ПО вроде Ekahau с указанием материалов стен и затуханий). Давая волю фантазии, можно предположить загрузку фотографий интерьера и снимков потенциальных пользователей для автоматического определения характеристик материалов и антропометрии. По крайней мере, именно в этом направлении движутся исследования нашей команды.

Библиография

Материал подготовлен на базе научных публикаций 2024–2026 годов:

1. Zhang, H., Ren, Y., Yuan, H., Zhang, J., & Shen, Y. (2025). Wi‑Chat: Large Language Model Powered Wi‑Fi Sensing. arXiv:2502.12421.

2. 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.

3. 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.

4. 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.

5. 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.

6. Kanda, T., Sato, T., Awano, H., Kondo, S., & Yamamoto, K. (2025). Respiratory Rate Estimation Based on WiFi Frame Capture. IEEE.

© 2026 ООО «МТ ФИНАНС»

 

Источник