Quien busca WiFi DensePose normalmente quiere saber si las señales inalámbricas pueden revelar la postura de una persona sin grabar vídeo. La respuesta prudente es que sí puede ser una posibilidad de investigación: CSI contiene estructura de amplitud, fase, tiempo y subportadoras que cambia con la posición corporal. Convertir esos cambios en una representación útil de la postura es mucho más difícil que mostrar una sola traza de movimiento.
Esta guía separa cuatro capas que suelen mezclarse: la idea de investigación DensePose, la captura CSI, la interpretación del modelo y el flujo de trabajo tipo RuView. El objetivo es ayudarte a elegir el siguiente paso, no tratar una demo como verdad de referencia y preparar una validación capaz de descubrir falsos positivos antes de hacer afirmaciones más fuertes.
Qué significa WiFi DensePose
DensePose suele asociarse con la asignación de coordenadas detalladas sobre la superficie corporal en una imagen. WiFi DensePose persigue una ambición parecida desde el sensado inalámbrico: inferir estructura relacionada con el cuerpo a partir de cómo las ondas de radio atraviesan una habitación. La entrada no es un fotograma RGB, sino una secuencia de mediciones del canal obtenidas con hardware WiFi compatible.
La diferencia es importante. Una salida parecida a una postura es una inferencia producida por un modelo entrenado con determinadas habitaciones, personas, posiciones de dispositivos, patrones de tráfico y etiquetas. El comportamiento puede cambiar después de mover un mueble, girar una antena, cambiar de canal o introducir otra persona. Es mejor entender el término como una tarea de investigación, no como una promesa de que cualquier router producirá un esqueleto fiable.
- WiFi DensePose usa cambios del canal inalámbrico en lugar de píxeles de cámara.
- La salida es una representación corporal aprendida o una pista de postura, no un esqueleto verificado automáticamente.
- La habitación, el hardware, las etiquetas y la calibración forman parte del sistema de sensado.
Cómo funciona el flujo de WiFi DensePose
Un modelo mental útil es un flujo de cuatro etapas. Primero, un transmisor y un receptor intercambian paquetes que recorren un entorno de trayectorias múltiples. Después, el receptor expone CSI a través de subportadoras y tiempo. El procesamiento limpia, alinea y transforma esas mediciones en características. Por último, un modelo relaciona la secuencia con una postura, una representación corporal, una actividad o una estimación de confianza.
Cada etapa puede fallar por separado. Una salida estable del modelo no puede reparar subportadoras ausentes, marcas de tiempo inconsistentes, fase recortada, capturas débiles o etiquetas que no describen la habitación real. Mantén las etapas visibles en tus notas para saber si el problema está en el hardware, el preprocesamiento, los datos o la interpretación.
| Etapa | Qué aporta | Fallo habitual |
|---|---|---|
| Captura CSI | Muestras de amplitud, fase y tiempo por subportadora | Solo hay RSSI, se pierden paquetes o las marcas de tiempo se desvían |
| Preprocesamiento | Ventanas de señal alineadas, filtradas y normalizadas | El filtro elimina movimiento útil o conserva ruido de la habitación |
| Características y modelo | Postura, región corporal, actividad o confianza | El modelo aprende un atajo de la habitación en lugar del cuerpo |
| Validación | Repeticiones, líneas base, etiquetas y límites de error | Una demo exitosa se interpreta como precisión general |
Captura CSI: amplitud, fase y subportadoras
Channel State Information describe cómo cambia un enlace inalámbrico entre subportadoras y a lo largo del tiempo. En un experimento, la amplitud puede mostrar que cambió la respuesta del canal, mientras que la fase y las características temporales pueden aportar estructura adicional si el hardware y la cadena de procesamiento la conservan. Un único valor RSSI es mucho más tosco y no debe describirse por sí solo como entrada DensePose.
Por eso el primer punto de control no es el modelo de postura, sino una captura limpia. Confirma que el dispositivo expone los campos CSI esperados, que la tasa de paquetes y las marcas de tiempo son suficientemente estables y que una grabación de la habitación vacía no parece movimiento constante. Conserva las muestras originales y los metadatos antes de aplicar filtros agresivos.
- Registra marcas de tiempo, canal, ancho de banda, posición de antenas y ubicación de la persona.
- Conserva el CSI original para poder revisar las decisiones de filtrado.
- Usa una línea base de la habitación vacía para separar deriva ambiental y movimiento objetivo.
La estimación de postura es más que detectar personas
La detección humana plantea una pregunta relativamente estrecha: ¿hay una persona o un cambio? La estimación de postura busca una estructura más rica, como articulaciones, regiones corporales o coordenadas densas. Cuanto más rica sea la salida, más exigentes serán las etiquetas, la sincronización, la geometría de los sensores y la validación.
Por eso una página de detección humana, una guía de captura CSI con ESP32 y una guía de WiFi DensePose no deben fusionarse. Están conectadas, pero resuelven decisiones distintas: si cambia la señal, si el hardware puede capturarla y si un modelo puede inferir una representación corporal sin confundir la habitación con la persona.
| Tarea | Pregunta principal | Evidencia necesaria |
|---|---|---|
| Detección de presencia | ¿La habitación está ocupada o cambia? | Pruebas con habitación vacía y ocupada |
| Movimiento o actividad | ¿Qué patrón amplio de movimiento ocurre? | Acciones etiquetadas repetidas y casos negativos |
| Estimación de postura | ¿Qué configuración corporal explica mejor la señal? | Etiquetas sincronizadas, geometría estable y sujetos reservados |
| Representación corporal densa | ¿Puede recuperarse estructura fina de regiones del cuerpo? | Datos diversos y evaluación estricta entre habitaciones |
Requisitos de hardware y datos
No existe un botón universal de WiFi DensePose. Hace falta una ruta de sensado que exponga CSI útil, una geometría transmisor-receptor razonablemente estable y datos suficientes para relacionar patrones de señal con etiquetas corporales. Un nodo de clase ESP32 puede servir para aprender captura CSI y probar actividades sencillas, pero una configuración pequeña no equivale automáticamente a un sistema de postura de investigación con varios enlaces.
El diseño de datos importa tanto como el hardware. Incluye sujetos, puntos de vista, distancias, estados de la habitación, ropa, movimiento de fondo y posiciones de los dispositivos. Conserva una habitación o un sujeto fuera del entrenamiento cuando sea posible. Si todas las muestras de entrenamiento y prueba usan la misma distribución, una puntuación alta puede significar que el modelo memorizó la instalación.
| Decisión | Punto de partida razonable | Qué verificar |
|---|---|---|
| Aprender el concepto | Figuras del artículo, trazas de señal y un ejemplo CSI documentado | Puedes explicar entrada, salida y limitaciones |
| Capturar movimiento simple | Hardware ESP32 CSI o WiFi de investigación compatible | Filas CSI, marcas de tiempo, estabilidad y repetición |
| Entrenar actividad | Ventanas de señal etiquetadas con ejemplos negativos | Separación por sujeto, habitación, equilibrio y fugas |
| Estudiar salida de postura | Varios enlaces o geometría rica con etiquetas sincronizadas | Rendimiento entre habitaciones y calibración de confianza |
Plan responsable para validar WiFi DensePose
Empieza por la afirmación más pequeña que pueda comprobarse. Una línea base de habitación vacía frente a ocupada es más fácil de refutar que una afirmación de postura completa. Después repite un movimiento conocido con la misma geometría y añade pruebas negativas: abrir una puerta, mover una silla, cambiar el tráfico del router u otra persona cruzando fuera del escenario previsto.
Informa también de los fallos. Una nota de validación útil indica dónde se realizó el experimento, cómo se colocaron los sensores, cuántas repeticiones se recogieron, qué sujetos o habitaciones quedaron fuera, cómo se trataron los paquetes perdidos y dónde cayó la confianza. Si funciona solo en una habitación y con una antena concreta, descríbelo como experimento local, no como capacidad general.
- Fija la geometría y la configuración de captura para la primera prueba de repetibilidad.
- Incluye ejemplos positivos, negativos y de habitación vacía en el mismo informe.
- Usa sujetos o habitaciones reservados para comprobar si el modelo aprendió a las personas y no la sala.
- Compara las afirmaciones de postura o signos vitales con una referencia independiente.
Lo que WiFi DensePose no demuestra
Un resultado de investigación exitoso no demuestra que un router normal produzca una postura precisa en todas las habitaciones. Tampoco demuestra que una demo de RuView, un repositorio de código abierto o una confianza del modelo equivalgan a una certificación médica, de seguridad u operativa. Son afirmaciones distintas y requieren evidencias distintas.
Usa las guías relacionadas de forma intencional: la página de CSI explica la medición, la de ESP32 explica una ruta de captura económica, la de detección humana trata una tarea más limitada y la de movimiento de RuView explica el flujo del proyecto. Esta página añade el límite DensePose para que los lectores puedan pasar de un tema a otro sin tratarlos como sinónimos.
- No llames DensePose a cambios que solo proceden de RSSI.
- No presentes una ilustración generada como una pantalla real de RuView o una postura medida.
- No trates la confianza del modelo como verdad sin validación fuera de muestra.
- No uses estimaciones de postura o signos vitales para decisiones importantes sin validación independiente.
Fuentes y referencias técnicas
Preguntas frecuentes sobre WiFi DensePose
¿WiFi DensePose es lo mismo que RuView?
No. WiFi DensePose describe una línea de investigación para estimar estructura corporal desde señales inalámbricas. RuView es un proyecto y ecosistema de demos de sensado WiFi que puede ayudar a explorar ideas relacionadas, pero no son nombres intercambiables.
¿Cualquier router WiFi puede ejecutar WiFi DensePose?
No de forma automática. Hace falta una ruta que exponga CSI compatible, marcas de tiempo y geometría estables, datos adecuados y un modelo entrenado para la tarea. Un router que solo ofrezca tráfico normal o RSSI grueso no basta.
¿Cuál es el experimento inicial más sencillo?
Empieza con una línea base de habitación vacía y un movimiento repetido entre un transmisor y un receptor conocidos. Comprueba que los cambios CSI se repiten antes de intentar reconocer actividades o posturas.
¿WiFi DensePose crea un esqueleto humano exacto?
Puede producir una estimación aprendida de postura o regiones corporales en un entorno controlado, pero el resultado es probabilístico. El hardware, la sala, la variación entre sujetos, los datos y la validación determinan si se transfiere fuera de la instalación original.
¿En qué se diferencia de la detección humana por WiFi?
La detección humana suele preguntar si hay una persona o un movimiento. DensePose busca una representación corporal mucho más rica y necesita etiquetas detalladas, geometría estable y una validación entre habitaciones más exigente.