这两天，在社交媒体 X 上，一种“穿墙透视技术”引起了广泛讨论。

这是 GitHub 平台的一个开源项目 WiFi-DensePose，截至目前已获得 3 万+ 星标。

简单来理解，它仅通过路由器的 Wifi 信号就可以穿透墙壁，实时推断室内人体的精确的运动轨迹和姿态。关键是，它不需要摄像头或云计算、没有激光雷达和传感器，甚至连特殊硬件都不需要。

图丨相关推文（X）

现在，当我们通常用摄像头进行监控，在光线条件不佳的环境下，例如遇到遮挡、光线昏暗甚至完全黑暗等情况，不仅所拍摄的影像模糊，还涉及到隐私泄露等问题。另一方面，激光雷达等设备使用门槛较高，不仅价格高昂，还费电。

该系统所使用的 WiFi 设备简单、成本低，不仅能实现信号穿墙，还不受光线等客观条件的限制，也不会拍摄到人脸。

根据项目公开资料，该系统以 54,000 帧/秒的处理速度运行，即便多人同时在室内也可实现穿墙检测，探测深度可达 5 米。系统完全在低成本硬件支持下运行，例如 ESP32 传感器网络（每个节点成本低至约 1 美元），整个模型仅需 55 KB 内存。

从硬件成本来看，该系统只需要普通 3 天线 WiFi 路由器，总成本大概在 54 美元。与激光雷达（约 700 美元）相比，具有显著的价格优势。

这种技术在不侵犯隐私的条件下，能够监测室内人体的姿态。此外，该系统在无需任何可穿戴设备的条件下，还可以检测呼吸频率（6-30 次/分钟）和心率（40-120 次/分钟）。

小型可编程边缘模块在本地分析信号，并随时间的推移学习房间的射频特征，从而使系统能够将环境与内部发生的活动进行区分，相当于在普通环境下获得了一种空间感知能力。

图丨工作原理（GitHub）

这项技术的原型来自卡内基梅隆大学团队的学术成果，相关论文题目为“DensePose from WiFi”。该系统的关键技术在于 WiFi 设备的信道状态信息（CSI，Channel-state-information），通过 3 个发射天线和 3 个接收天线采集信号。

（GitHub）

但是，CSI 一般仅用于二维感知，为更好地进行空间感知，研究人员对原始 CSI 信号进行相位去噪与校准处理，以消除因设备时钟不同步，以及环境干扰所引发的随机漂移和跳变等问题。

（GitHub）

研究人员以 100Hz 的采样率在 30 个子载波频率中进行采集，然后他们将 5 个连续的 CSI 样本整理成特定维度的幅度与相位张量，将它们作为模型的输入数据。

（GitHub）

在模型设计方面，该团队使用了两阶段的深度学习框架。第一阶段是模态转换网络，基于多层感知机与卷积-反卷积结构，把 CSI 信号映射成三通道特征图，进而实现了 1D 信号向 2D 空间表示的转化。

第二阶段通过改进的 DensePose-RCNN 结构，来评估人体检测、关键点定位和密集姿态的特征。值得关注的是，它可以还原出人体的三维表面信息。

（arXiv）

另一方面，研究团队采用迁移学习策略来提升训练效率。首先，研究人员用基于图像的 DensePose 模型当做教师网络，然后对比 WiFi 信号生成的中间特征图和图像生成的特征图，通过最小化两者之间的差异来指导学生网络的训练。

结果显示，该方法将训练所需迭代次数显著减少到 14.5 万次，同时提升了模型的收敛速度和泛化能力。

这个系统在多种场景具有应用前景，例如居家场景，实时观测老人或儿童的摔倒和日常活动行为；在智能家居场景，也可根据监测到的姿势进行智能响应；此外，还可用于室内安防，来监测是否有异常情况。

未来，随着技术的发展和优化，该技术有望成为兼具实用性和隐私保护的感知方式，并与当下传感器在特定场景下的应用形成一种互补的方案。

参考资料：

https://x.com/oliviscusAI/status/2030602059712471112

https://github.com/ruvnet/RuView

https://arxiv.org/pdf/2301.00250

运营/排版：何晨龙