RuView è un progetto open-source ospitato su GitHub che rappresenta una frontiera affascinante nell’intersezione tra telecomunicazioni e analisi del segnale. A differenza dei sistemi di localizzazione tradizionali (che richiedono che l’utente indossi un tag o uno smartphone), RuView sfrutta il fenomeno del Wi-Fi Sensing per individuare la presenza e la posizione di persone in modo “device-free”.
Il software analizza le perturbazioni nei segnali Wi-Fi esistenti causate dal corpo umano, che agisce come un ostacolo riflettente e assorbente per le onde elettromagnetiche.
1. Il Cuore Tecnologico: Channel State Information (CSI)
Il principio fisico su cui si basa RuView non è la semplice potenza del segnale (RSSI), troppo instabile per localizzazioni precise, ma la Channel State Information (CSI).
Mentre l’RSSI fornisce un valore scalare aggregato, la CSI rivela come ogni sottoportante (subcarrier) di un segnale OFDM (utilizzato nel Wi-Fi moderno) viene influenzata dall’ambiente. La CSI cattura:
- Ampiezza: L’attenuazione del segnale su frequenze specifiche.
- Fase: Lo sfasamento temporale causato dal percorso multi-tratta (multipath).
Quando una persona si muove in una stanza, altera i percorsi di riflessione del segnale. RuView processa questi dati per estrarre il “ritratto” del movimento.
2. Architettura del Software e Pipeline di Elaborazione
Il software RuView implementa tipicamente una pipeline di elaborazione del segnale strutturata in quattro fasi critiche:
A. Acquisizione Dati
RuView si interfaccia con schede di rete specifiche (come le Intel 5300 o chip Atheros) o firmware modificati (es. Nexmon) capaci di estrarre i pacchetti CSI grezzi.
B. Pre-processing e Filtraggio
I dati CSI sono intrinsecamente rumorosi a causa di imperfezioni hardware e interferenze ambientali. RuView utilizza:
- Filtri Passa-Basso/Passa-Banda: Per isolare le frequenze legate ai movimenti umani (solitamente sotto i 10 Hz).
- PCA (Principal Component Analysis): Per ridurre la dimensionalità dei dati e mantenere solo le variazioni di segnale più significative correlate al movimento.
C. Estrazione delle Feature
In questa fase, il software analizza lo spostamento Doppler indotto dal movimento e le variazioni temporali della fase. Questo permette di distinguere tra un oggetto inanimato (es. un ventilatore) e un essere umano.
D. Localizzazione e Mapping
Utilizzando algoritmi di Trilaterazione o modelli di Fingerprinting, RuView incrocia i dati provenienti da più access point (o più antenne dello stesso dispositivo MIMO) per triangolare la posizione delle persone in uno spazio 2D.
3. Algoritmi di Machine Learning Integrati
La forza di RuView risiede spesso nell’integrazione di modelli di apprendimento automatico per interpretare i pattern complessi della CSI:
- SVM (Support Vector Machines): Utilizzate per la classificazione della presenza (Persona presente vs Stanza vuota).
- Reti Neurali (CNN/LSTM): Le versioni più avanzate utilizzano reti convoluzionali per analizzare le “immagini” spettrogrammetriche dei dati CSI o reti LSTM per seguire il movimento nel tempo (tracking).
4. Specifiche Tecniche e Limiti
| Caratteristica | Descrizione |
|---|---|
| Precisione | Tipicamente tra i 0.5m e i 2m a seconda della densità degli AP. |
| Frequenze | Funziona meglio su banda 5GHz causa minore congestione e maggiore risoluzione di fase. |
| MIMO | Sfrutta configurazioni 2×2 o 3×3 per migliorare la risoluzione spaziale. |
| Privacy | Elevata, poiché non utilizza telecamere e non identifica volti, solo masse in movimento. |
Esporta in Fogli
5. Applicazioni Pratiche
- Smart Home: Gestione automatica di luci e termostati in base alla posizione reale delle persone.
- Sicurezza: Rilevamento di intrusioni senza sensori di movimento a infrarossi dedicati.
- Health Care: Monitoraggio di anziani (rilevamento cadute) senza violare la privacy visiva.
Considerazioni Finali
RuView trasforma un’infrastruttura di comunicazione (il Wi-Fi) in un sistema radar passivo. Sebbene l’installazione richieda hardware compatibile e una calibrazione iniziale dell’ambiente (per “mappare” i riflessi fissi come muri e mobili), rappresenta uno dei tool più accessibili su GitHub per chiunque voglia sperimentare con il Radio Frequency Sensing di nuova generazione.
Scopri di più da TuttoeOltre.it - Blog di idee in rete
Abbonati per ricevere gli ultimi articoli inviati alla tua e-mail.