Os sinais Wi-Fi podem fazer muito mais do que transmitir filmes e música por toda a casa: também podem ser usados para identificar formas através de paredes sólidas, como demonstrado em experiências recentes.
A capacidade do Wi-Fi de detectar movimento através das paredes já foi demonstrada antes, mas a tecnologia tem dificuldade em ver qualquer coisa que não esteja em movimento.
Para superar essa limitação, pesquisadores da Universidade da Califórnia em Santa Bárbara (UCSB) projetaram uma configuração Wi-Fi para se concentrar especificamente nas bordas dos objetos, da mesma forma que uma pessoa faria um desenho de contorno.
Essa abordagem permitiu que os pesquisadores usassem o que é conhecido como Teoria Geométrica da Difração (ou GTD), que descreve o comportamento das ondas quando atingem as bordas dos objetos – causando interferência ou difração nas ondas.
Nesse caso, as ondas são sinais Wi-Fi, que formam formas chamadas cones de Keller à medida que difratam nas bordas dos objetos. Ao interpretar a composição e a direção desses cones de Keller, uma cena pode ser gradualmente revelada.
“Desenvolvemos então uma estrutura matemática que usa essas pegadas cônicas como assinaturas para inferir a orientação das bordas, criando assim um mapa de bordas da cena”, diz o engenheiro elétrico e de computação Yasamin Mostofi, da UCSB.
Chamada Wiffract, a configuração montada por Mostofi e seus colegas envolve três transmissores Wi-Fi para enviar sinais e um receptor móvel para captá-los enquanto eles saltam.
Sabemos que as ondas Wi-Fi podem atravessar paredes – seu roteador seria inútil se não o fizesse – mas essas ondas também são afetadas quando atingem objetos.
Alguma matemática complexa (e suposições fundamentadas) é então necessária para determinar as formas que correspondem aos cones de Keller. Usando dados de bordas com leitura forte, os cientistas conseguiram melhorar a capacidade do sistema de detectar bordas com leitura mais fraca, talvez mais distantes dos transmissores ou em um local escondido.
“Assim que encontrarmos os pontos de borda de alta confiança por meio do kernel de imagem proposto, propagaremos suas informações para o restante dos pontos usando a propagação de informações bayesianas”, diz o engenheiro elétrico Anurag Pallaprolu, da UC Santa Barbara.
O processamento estatístico de números envolvido na propagação de informações bayesianas não é diferente de trabalhar em um quebra-cabeça: se você tiver certeza sobre a posição de algumas peças, poderá descobrir a posição e o formato das peças necessárias para preencher as lacunas.
Ainda são necessários muitos ajustes, mas o sistema já consegue reconhecer letras grandes. Em última análise, ele poderia ser usado em qualquer lugar, desde resgate em desastres até monitoramento residencial inteligente, “ver” o interior dos quartos quando não há linha de visão.
Traduzido por Mateus Lynniker de ScienceAlert
