Wer nach WiFi DensePose sucht, möchte meist wissen, ob Funksignale die Körperhaltung einer Person erfassen können, ohne ein Video aufzunehmen. Die vorsichtige Antwort lautet: als Forschungsansatz ja. CSI enthält Struktur aus Amplitude, Phase, Zeit und Subträgern, die sich mit der Körperposition verändert. Aus diesen Veränderungen eine brauchbare Haltungsdarstellung zu erzeugen, ist jedoch deutlich schwieriger als eine einzelne Bewegungskurve anzuzeigen.
Dieser Guide trennt vier Ebenen, die häufig vermischt werden: die DensePose-Forschungsidee, die CSI-Erfassung, die Modellinterpretation und den RuView-ähnlichen Projektablauf. So lässt sich der nächste sinnvolle Schritt wählen, eine Demo von Ground Truth unterscheiden und eine Validierung planen, die Fehlalarme sichtbar macht, bevor stärkere Aussagen entstehen.
Was bedeutet WiFi DensePose?
DensePose wird meist mit der Zuordnung detaillierter Koordinaten auf der Körperoberfläche in einem Bild verbunden. WiFi DensePose verfolgt eine ähnliche Idee im Funksensing: Körperbezogene Struktur soll daraus abgeleitet werden, wie sich Funkwellen in einem Raum ausbreiten. Die Eingabe ist kein RGB-Bild, sondern eine Folge von Kanalmessungen kompatibler WiFi-Hardware.
Dieser Unterschied ist entscheidend. Eine haltungähnliche Ausgabe ist eine Inferenz eines Modells, das mit bestimmten Räumen, Personen, Gerätepositionen, Funkbedingungen und Labels trainiert wurde. Möbel, Antennendrehung, Kanalwechsel oder eine weitere Person können das Verhalten verändern. Der Begriff beschreibt daher eine Forschungsaufgabe und nicht das Versprechen, dass jeder Router ein zuverlässiges Skelett erzeugt.
- WiFi DensePose nutzt Änderungen im Funkkanal statt Kamerapixel.
- Die Ausgabe ist eine gelernte Körperdarstellung oder ein Haltungsindikator, nicht automatisch ein geprüftes Skelett.
- Raum, Hardware, Labels und Kalibrierung sind Bestandteile des Sensorsystems.
Wie der WiFi-DensePose-Ablauf funktioniert
Ein hilfreiches Modell besteht aus vier Stufen. Zuerst erzeugen Sender und Empfänger Pakete, die durch eine Umgebung mit mehreren Ausbreitungswegen laufen. Danach stellt der Empfänger CSI über Subträger und Zeit bereit. Die Signalverarbeitung bereinigt, richtet aus und wandelt die Messungen in Merkmale um. Schließlich ordnet ein Modell die Sequenz einer Haltung, Körperdarstellung, Aktivität oder Vertrauensschätzung zu.
Jede Stufe kann unabhängig fehlschlagen. Eine stabil wirkende Modellausgabe kann fehlende Subträger, uneinheitliche Zeitstempel, abgeschnittene Phase, schwache Aufnahmen oder unpassende Labels nicht reparieren. Halte die Stufen in deinen Notizen getrennt, damit die Ursache bei Hardware, Vorverarbeitung, Daten oder Interpretation gefunden werden kann.
| Stufe | Was sie liefert | Typischer Fehler |
|---|---|---|
| CSI-Erfassung | Amplituden-, Phasen- und Zeitproben je Subträger | Nur RSSI ist verfügbar, Pakete fehlen oder Zeitstempel driften |
| Vorverarbeitung | Ausgerichtete, gefilterte und normierte Signalfenster | Der Filter entfernt Bewegung oder behält Raumrauschen |
| Merkmale und Modell | Haltung, Körperregion, Aktivität oder Konfidenz | Das Modell lernt einen Raum-Shortcut statt Körperstruktur |
| Validierung | Wiederholungen, Baselines, Labels und Fehlergrenzen | Ein erfolgreicher Demo-Lauf wird als allgemeine Genauigkeit verstanden |
CSI-Erfassung: Amplitude, Phase und Subträger
Channel State Information beschreibt, wie sich eine Funkverbindung über Subträger und Zeit verändert. In Experimenten kann die Amplitude eine Änderung der Kanalantwort zeigen. Phase und zeitbezogene Merkmale können zusätzliche Struktur liefern, wenn Hardware und Verarbeitungskette sie zuverlässig erhalten. Ein einzelner RSSI-Wert ist wesentlich gröber und darf allein nicht als DensePose-Eingabe bezeichnet werden.
Der erste technische Prüfpunkt ist deshalb nicht das Haltungsmodell, sondern eine saubere Erfassung. Prüfe, ob das Gerät die erwarteten CSI-Felder liefert, ob Paketfrequenz und Zeitstempel ausreichend stabil sind und ob eine Aufnahme im leeren Raum nicht wie dauernde Bewegung aussieht. Bewahre Rohdaten und Metadaten vor aggressiver Filterung auf.
- Erfasse Zeitstempel, Kanal, Bandbreite, Antennenposition und Position der Person.
- Bewahre Roh-CSI auf, damit Vorverarbeitungsentscheidungen nachvollziehbar bleiben.
- Nutze eine Leeraum-Baseline, um Umgebungsdrift von Zielbewegung zu trennen.
Haltungsschätzung ist mehr als Personenerkennung
Personenerkennung stellt eine eher enge Frage: Ist eine Person oder eine Veränderung vorhanden? Haltungsschätzung verlangt eine reichere Struktur, etwa Gelenke, Körperregionen oder dichte Koordinaten. Je umfangreicher die Ausgabe, desto anspruchsvoller werden Labels, Synchronisierung, Sensorgeometrie und Validierung.
Darum sollten eine Seite zur Personenerkennung, ein ESP32-CSI-Erfassungsleitfaden und ein WiFi-DensePose-Guide nicht zu einer Seite verschmolzen werden. Sie hängen zusammen, treffen aber unterschiedliche Entscheidungen: Ändert sich das Signal, kann die Hardware es erfassen, und kann ein Modell Körperstruktur ableiten, ohne den Raum mit der Person zu verwechseln?
| Aufgabe | Hauptfrage | Benötigte Evidenz |
|---|---|---|
| Präsenzerkennung | Ist der Raum belegt oder verändert er sich? | Versuche mit leerem und belegtem Raum |
| Bewegungs- oder Aktivitätserkennung | Welches grobe Bewegungsmuster tritt auf? | Wiederholte gelabelte Aktionen und Negativfälle |
| Haltungsschätzung | Welche Körperkonfiguration erklärt das Signal am besten? | Synchronisierte Haltungslabels, stabile Geometrie und zurückgehaltene Personen |
| Dichte Körperdarstellung | Lässt sich feine Körperregionen-Struktur erfassen? | Vielfältige Daten und strenge Raum-übergreifende Prüfung |
Anforderungen an Hardware und Daten
Es gibt keinen universellen WiFi-DensePose-Schalter. Nötig sind eine Erfassungskette mit brauchbarem CSI, eine ausreichend stabile Sender-Empfänger-Geometrie und genug Daten, um Signalmuster mit Körperlabels zu verbinden. Ein ESP32-Knoten kann ein guter Einstieg in CSI und einfache Aktivitätsexperimente sein, ist aber nicht automatisch gleichwertig mit einem Forschungsaufbau mit mehreren Links.
Das Datendesign ist genauso wichtig wie die Hardware. Variiere Personen, Blickwinkel, Abstände, Raumzustände, Kleidung, Hintergrundbewegungen und Gerätepositionen. Halte nach Möglichkeit einen Raum oder eine Person aus dem Training zurück. Wenn Trainings- und Testdaten aus derselben Anordnung stammen, kann ein hoher Score nur zeigen, dass der Aufbau auswendig gelernt wurde.
| Entscheidung | Sinnvoller Einstieg | Was zu prüfen ist |
|---|---|---|
| Konzept verstehen | Paper-Abbildungen, Signalplots und dokumentiertes CSI-Beispiel | Eingabe, Ausgabe und Grenze sind erklärbar |
| Einfache Bewegung erfassen | Kompatible ESP32-CSI- oder Forschungs-WiFi-Hardware | CSI-Zeilen, Zeitstempel, Stabilität und Wiederholbarkeit |
| Aktivitätsmodell trainieren | Gelabelte Signalfenster mit Negativbeispielen | Trennung nach Person und Raum, Balance und Leakage |
| Haltungsähnliche Ausgabe untersuchen | Mehrere Links oder reichere Geometrie mit synchronen Labels | Raumübertragbarkeit und Konfidenzkalibrierung |
Ein verantwortungsvoller Validierungsplan
Beginne mit der kleinsten überprüfbaren Aussage. Eine Leeraum-gegen-Belegung-Baseline lässt sich leichter falsifizieren als eine vollständige Haltungsbehauptung. Wiederhole danach eine bekannte Bewegung bei gleicher Geometrie und ergänze Negativtests: Türbewegung, verschobener Stuhl, veränderter Routerverkehr oder eine weitere Person außerhalb des vorgesehenen Szenarios.
Auch Fehler gehören in den Bericht. Eine gute Validierungsnotiz nennt Raum, Sensorposition, Anzahl der Wiederholungen, zurückgehaltene Personen oder Räume, Umgang mit fehlenden Paketen und den Punkt, an dem die Konfidenz sank. Wenn das Ergebnis nur in einem Raum und mit einer Antennenposition funktioniert, sollte es als lokales Experiment und nicht als allgemeine Fähigkeit beschrieben werden.
- Fixiere Raumgeometrie und Erfassungseinstellungen für den ersten Wiederholbarkeitstest.
- Führe positive, negative und Leeraum-Beispiele im selben Bericht.
- Nutze zurückgehaltene Personen oder Räume, um Raumlernen zu erkennen.
- Vergleiche Haltungs- oder Vitalzeichenbehauptungen mit einer unabhängigen Referenz.
Was WiFi DensePose nicht beweist
Ein erfolgreiches Forschungsergebnis beweist nicht, dass ein gewöhnlicher Router in jedem Raum eine genaue Haltung erzeugt. Es beweist auch nicht, dass eine RuView-Demo, ein Open-Source-Repository oder ein Konfidenzwert eine medizinische, sicherheitsbezogene oder operative Zertifizierung darstellt. Das sind getrennte Aussagen mit getrennten Nachweisen.
Nutze die verwandten Guides bewusst: Die CSI-Seite erklärt die Messung, die ESP32-Seite beschreibt einen günstigen Erfassungspfad, die Personenerkennung behandelt eine engere Aufgabe und die RuView-Motion-Capture-Seite erklärt den projektbezogenen Ablauf. Diese Seite ergänzt die DensePose-Grenze, damit die Themen verbunden bleiben, ohne austauschbar zu werden.
- Bezeichne reine RSSI-Änderungen nicht als DensePose.
- Stelle eine generierte Illustration nicht als echten RuView-Bildschirm oder gemessene Haltung dar.
- Behandle Modellkonfidenz ohne Hold-out-Validierung nicht als Ground Truth.
- Nutze WiFi-Haltungs- oder Vitalzeichen-Schätzungen nicht für wichtige Entscheidungen ohne unabhängige Prüfung.
Quellen und technische Referenzen
WiFi DensePose – Häufige Fragen
Ist WiFi DensePose dasselbe wie RuView?
Nein. WiFi DensePose beschreibt eine Forschungsrichtung zur Schätzung körperbezogener Struktur aus Funksignalen. RuView ist ein Open-Source-Projekt und Demo-Ökosystem für WiFi-Sensing, mit dem verwandte Ideen untersucht werden können. Die Begriffe sind nicht austauschbar.
Kann jeder WiFi-Router WiFi DensePose ausführen?
Nicht automatisch. Erforderlich sind eine CSI-fähige Erfassungskette, stabile Zeitstempel und Geometrie, passende Daten und ein für die Aufgabe trainiertes Modell. Ein Router mit nur normalem Netzwerkverkehr oder grobem RSSI reicht nicht aus.
Was ist das einfachste erste Experiment?
Beginne mit einer Leeraum-Baseline und einer wiederholten Bewegung zwischen bekanntem Sender und Empfänger. Prüfe die Wiederholbarkeit der CSI-Änderung, bevor Aktivität oder Haltung klassifiziert werden.
Erzeugt WiFi DensePose ein exaktes menschliches Skelett?
In kontrollierten Forschungsbedingungen kann eine gelernte Haltungs- oder Körperregionsschätzung entstehen, aber das Ergebnis ist probabilistisch. Hardware, Raum, Personenvariation, Daten und Validierung bestimmen die Übertragbarkeit.
Wie unterscheidet es sich von WiFi-Personenerkennung?
Personenerkennung fragt meist, ob eine Person oder Bewegung vorhanden ist. DensePose zielt auf eine deutlich reichere Körperdarstellung und benötigt detailliertere Labels, stabile Geometrie und stärkere Raum-übergreifende Validierung.