WiFi Sensing - Tracking Movements Using Channel State Information

Abstract

Sammendrag WiFi Sensing tilbyr et kostnadseffektivt og personvernvennlig alternativ til tradisjonelle teknologier for objektsporting, som LiDAR og kameraer, ved å utnytte Channel State Information (CSI) fra WiFi-signaler. Denne masteroppgaven undersøker potensialet til WiFi Sensing for å detektere og spore menneskelig bevegelse i et innendørs miljø. Forskningen fokuserer på å utvikle en modell som kan lokalisere personer innenfor et forhåndsdefinert rutenett ved hjelp av WiFi-signaler kombinert med annoterte posisjonsdata. Systemet innebærer et eksperimentelt oppsett med jevnt fordelte datamaskiner som sender og mottar WiFi-pakker. Innsamlet CSI-data synkroniseres og forbehandles for å sikre nøyaktighet og robusthet. Dype læringsteknikker, inkludert konvolusjonelle nevrale nettverk (CNN) og rekurrente nevrale nettverk (RNN), brukes til å analysere og predikere bevegelser basert på de bearbeidede CSI-dataene. Hovedutfordringene inkluderer praktisk implementering av datainnsamling, effektiv forbehandling og valg av dype læringsmodeller som kan tolke komplekse signalmønstre. Funnene har som mål å demonstrere at WiFi-sensing kan oppnå sporingsnøyaktighet som er sammenlignbar med tradisjonelle teknologier, og samtidig tilby en skalerbar og personvernvennlig løsning for innendørs anvendelser. Nøkkelord: WiFi Sensing, Channel State Information, objektsporing, dyp læring.

Abstract WiFi Sensing offers a cost-effective and privacy-friendly alternative to traditional object tracking technologies, such as LiDAR and cameras, by utilizing Channel State Information (CSI) from WiFi signals. This thesis investigates the potential of WiFi sensing for detecting and tracking human movements in an indoor environment. The research focuses on developing a model capable of localizing individuals within a predefined grid system using WiFi signals combined with annotated positional data. The system involves an experimental setup with evenly distributed computers that transmit and receive WiFi packets. Collected CSI data is synchronized and preprocessed to ensure accuracy and robustness. Deep learning techniques, including Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs), are employed to analyze and predict movements based on the processed CSI data. Key challenges include the practical implementation of data collection, effective preprocessing, and the selection of deep learning models that can interpret complex signal patterns. The findings aim to demonstrate that WiFi Sensing can achieve tracking accuracy comparable to traditional technologies, providing a scalable and privacy-preserving solution for indoor applications. Keywords: WiFi Sensing, Channel State Information, Object Tracking, Deep Learning.