Vedere Attraverso i Muri con il Wi-Fi? Ora Si Può (Grazie all’IA!)

Ciao a tutti! Scommetto che vi siete chiesti almeno una volta come sarebbe poter “vedere” cosa succede in una stanza senza doverci entrare, un po’ come nei film di spionaggio. Beh, tenetevi forte, perché oggi vi racconto di una tecnologia che ci si avvicina parecchio, e lo fa usando qualcosa che abbiamo tutti in casa: il Wi-Fi!

Parliamo di localizzazione passiva. Detta così suona un po’ tecnica, ma l’idea è semplice: tracciare persone o oggetti senza che questi debbano indossare dispositivi strani o ingombranti. Pensate alla sicurezza domestica, al monitoraggio medico per persone anziane o con particolari necessità, o semplicemente a capire se c’è qualcuno in una stanza. In questi contesti, chiedere alle persone di portare con sé un localizzatore è spesso poco pratico o addirittura fastidioso.

Il problema è che il caro vecchio GPS, che ci guida così bene all’aperto, tra le mura domestiche o negli uffici fa cilecca. I segnali si perdono, vengono riflessi, insomma, un disastro. Ecco perché la ricerca si è buttata a capofitto su alternative, e una delle più promettenti sfrutta le immagini tomografiche radio (RTI). Immaginate di poter creare una sorta di “radiografia” di un ambiente usando le onde radio. Forte, no?

Il Wi-Fi come “Occhio Invisibile”

L’idea geniale è stata quella di usare i segnali Wi-Fi, o più precisamente l’RSSI (Received Signal Strength Indicator), cioè l’intensità del segnale ricevuto. Quando una persona si muove in un ambiente, disturba questi segnali. Le onde radio vengono attenuate, riflesse, deviate. Misurando queste variazioni, possiamo capire molto di quello che succede.

Nel nostro studio, abbiamo messo in piedi una rete di piccoli ed economici nodi ESP32 (dei microcontrollori con Wi-Fi integrato, per intenderci). Questi nodi comunicano tra loro, formando una specie di ragnatela di segnali. Ogni nodo misura l’RSSI proveniente dagli altri. Quando qualcosa o qualcuno si interpone, l’RSSI cambia. Questi dati sono oro colato!

Ma come trasformare una valanga di numeri (gli RSSI) in qualcosa di comprensibile, tipo un’immagine che ci dica “ehi, c’è qualcuno lì”? Qui entra in gioco il “cervellone” del sistema: il deep learning, e in particolare le Reti Neurali Convoluzionali (CNN).

Le CNN: Detective Digitali al Lavoro

Le CNN sono modelli di intelligenza artificiale ispirati al funzionamento della corteccia visiva umana. Sono bravissime a riconoscere pattern nelle immagini. E se vi dicessi che possiamo “insegnare” a una CNN a interpretare le variazioni di RSSI come se fossero pixel di un’immagine?

Abbiamo sviluppato non una, ma ben due modelli CNN. Il primo prende i dati RSSI grezzi (dopo un’accurata pulizia e pre-elaborazione, ovviamente, usando ad esempio un filtro di Kalman per eliminare il rumore) e li trasforma in queste famose immagini tomografiche radio (RTI). Pensatele come delle mappe di “attenuazione del segnale”: dove il segnale è più debole, probabilmente c’è un ostacolo, o una persona.

Ma non ci siamo fermati qui. Queste prime RTI possono essere un po’ “sporche” o difficili da interpretare. Ecco che entra in scena il secondo modello CNN! Questo secondo investigatore digitale prende le RTI generate dal primo, le “pulisce”, ne migliora la qualità e, soprattutto, ci aiuta a localizzare con precisione l’oggetto o la persona target all’interno dell’ambiente monitorato.

Il bello di questo approccio è che il sistema impara da solo a riconoscere le “firme” lasciate dalla presenza umana sui segnali Wi-Fi, senza bisogno di calibrazioni complesse ogni volta che cambia qualcosa nell’ambiente. È un po’ come se imparasse a “vedere” le ombre radio.

Ma Funziona Davvero? I Risultati Parlano Chiaro!

Certo che funziona! E anche alla grande. Abbiamo testato il nostro sistema, che abbiamo battezzato CNNRTI, in un ambiente reale di circa 6×8 metri, disseminando 14 nodi ESP32. I risultati sono stati entusiasmanti: siamo riusciti a localizzare l’oggetto target con un’accuratezza superiore al 92%! Un valore davvero notevole per un sistema passivo.

Per darvi un’idea, abbiamo confrontato il nostro CNNRTI con altri approcci esistenti, sia basati su machine learning tradizionale (come Support Vector Machine, Multi-Layer Perceptron, Decision Tree) sia su altri sistemi di deep learning. Ebbene, il nostro sistema li ha superati quasi tutti in termini di accuratezza, precisione, richiamo (recall) e F-measure. Certo, l’addestramento di due CNN richiede un po’ più di tempo rispetto a modelli più semplici, ma la precisione ottenuta ripaga ampiamente lo sforzo. Dopotutto, in molti scenari, la precisione della localizzazione è la cosa più importante.

Abbiamo anche voluto mettere alla prova il sistema in condizioni più difficili:

• Ambienti con ostacoli e dimensioni diverse: Abbiamo testato il sistema in un secondo ambiente con più ostacoli. L’accuratezza è leggermente diminuita, attestandosi intorno al 90%, ma è rimasta comunque superiore a quella dei sistemi concorrenti. Questo grazie anche all’efficacia del filtro di Kalman nel ripulire i dati RSSI dal rumore.
• Ambienti affollati (multi-utente): Cosa succede se ci sono più persone? Abbiamo provato con due e tre oggetti/persone. Come prevedibile, l’accuratezza cala un po’ a causa delle maggiori interferenze e perdite di segnale. Tuttavia, anche in questo caso, il nostro CNNRTI si è dimostrato più performante rispetto ad altri metodi, proprio perché i modelli CNN, addestrati con dati provenienti da scenari affollati, riescono a districarsi meglio in mezzo a segnali complessi.

Cosa ci Riserva il Futuro?

Questo tipo di tecnologia apre scenari incredibili per le applicazioni IoT (Internet of Things). Pensate agli edifici intelligenti, dove il sistema di illuminazione o climatizzazione si adatta automaticamente alla presenza di persone, o a sistemi di assistenza sanitaria avanzati in ospedali o case di cura, capaci di monitorare i pazienti in modo non invasivo. E, naturalmente, la sicurezza e la sorveglianza.

Il nostro lavoro ha dimostrato che combinare la tomografia radio basata su RSSI con la potenza delle CNN è una strada vincente. Certo, non ci fermiamo qui. Stiamo già pensando a come migliorare ulteriormente il sistema. Ad esempio, vorremmo provare a usare un numero minore di nodi nella rete mesh, o integrare misurazioni di serie temporali per rendere la ricostruzione delle RTI ancora più robusta. E la sfida più grande: localizzare con precisione più di tre utenti contemporaneamente in un ambiente.

Insomma, la capacità di “vedere” attraverso i muri usando il Wi-Fi e l’intelligenza artificiale non è più fantascienza. È una realtà in continua evoluzione, e sono entusiasta di far parte di questa avventura! Chissà quali altre meraviglie ci riserverà il futuro della localizzazione passiva.

Fonte: Springer