Ονοματεπώνυμο: Τσάκουλης Φίλιππος

Αριθμός Μητρώου: ΤΛ20097

Θέμα:

Τίτλος στα ελληνικά: Επισκόπηση των τεχνολογιών αναγνώρισης κίνησης με χρήση σημάτων WiFi

Τίτλος στα αγγλικά: Α Review of WiFi Signal-based motion detection techniques

Επιβλέπων:

Μπακλέζος Ανάργυρος, Επικ. Καθηγητής, Τμ. Ηλεκτρονικών Μηχανικών ΕΛΜΕΠΑ

Τριμελής Επιτροπή

1. Βαρδιάμπασης Ιωάννης, Καθηγητής Τμ. Ηλεκτρονικών Μηχανικών ΕΛΜΕΠΑ
2. Μπακλέζος Ανάργυρος, Επικ. Καθηγητής, Τμ. Ηλεκτρονικών Μηχανικών ΕΛΜΕΠΑ
3. Νικολόπουλος Χρήστος, Επικ. Καθηγητής Τμ. Ηλεκτρονικών Μηχανικών ΕΛΜΕΠΑ

Περίληψη

Η εργασία αυτή εξετάζει διεξοδικά τις τεχνολογίες αναγνώρισης ανθρώπινης κίνησης μέσω σημάτων Wi-Fi (Wi-Fi Sensing) και τη συμβολή τους στη διαμόρφωση έξυπνων, διασυνδεδεμένων περιβαλλόντων. Μέσα από τη μελέτη των πιο αντιπροσωπευτικών συστημάτων — CARM, WiDraw, SrcSense, GraSens και DensePose — αναλύεται η λειτουργία, η αρχιτεκτονική και η απόδοση των μεθόδων που επιτρέπουν την παθητική καταγραφή, ταξινόμηση και κατανόηση ανθρώπινων δραστηριοτήτων χωρίς τη χρήση κάμερας ή αισθητήρων επαφής.

Αρχικά, παρουσιάζονται οι βασικές φυσικές αρχές μετάδοσης των Wi-Fi σημάτων, οι μηχανισμοί Channel State Information (CSI) και οι παράμετροι που επηρεάζουν την ευαισθησία των μετρήσεων. Ακολουθεί η μελέτη των κυριότερων αλγοριθμικών προσεγγίσεων για την αναγνώριση κίνησης, από τις παραδοσιακές μεθόδους μοντελοποίησης σήματος έως τις σύγχρονες τεχνικές Machine Learning και Deep Learning (CNN, RNN, Transformers).

Στα επόμενα κεφάλαια, πραγματοποιείται εις βάθος ανάλυση των συστημάτων CARM, WiDraw και SrcSense, με έμφαση στη μεθοδολογία εξαγωγής χαρακτηριστικών, την πειραματική αξιολόγηση και τη συγκριτική απόδοση. Παρουσιάζονται επίσης οι νεότερες τεχνολογικές εξελίξεις του προτύπου IEEE 802.11bf, καθώς και ερευνητικές επεκτάσεις όπως τα συστήματα GraSens και DensePose, τα οποία ενσωματώνουν νευρωνικά δίκτυα Wi-Fi Dense Pose RCNN για εκτίμηση στάσης σώματος σε πραγματικό χρόνο.

Η συγκριτική ανάλυση καταδεικνύει ότι οι τεχνολογίες Wi-Fi Sensing μπορούν να μετατρέψουν τα κοινά ασύρματα δίκτυα σε ευφυή συστήματα αντίληψης, ικανά να αναγνωρίζουν κίνηση, στάση και συμπεριφορά ατόμων με μεγάλη ακρίβεια και σεβασμό στην ιδιωτικότητα. Τέλος, διατυπώνονται προτάσεις για μελλοντική έρευνα, εστιάζοντας στη συνδυαστική αξιοποίηση βαθιάς μάθησης, ενεργειακής βελτιστοποίησης και ασφάλειας δεδομένων.

Η εργασία καταδεικνύει ότι η αναγνώριση κίνησης μέσω Wi-Fi δεν αποτελεί πλέον πειραματική ιδέα, αλλά μια ώριμη τεχνολογία με προοπτικές εφαρμογής σε ρομποτικά, ιατρικά, οικιακά και βιομηχανικά συστήματα.

Abstract

This thesis presents an in-depth study of human motion recognition technologies using Wi-Fi signals (Wi-Fi Sensing) and their role in shaping intelligent, interconnected environments. Through the examination of key representative systems — CARM, WiDraw, SrcSense, GraSens, and DensePose — it analyzes the architecture, operation, and performance of modern techniques enabling passive detection and interpretation of human activities without cameras or wearable sensors.

The early chapters discuss the physical properties of Wi-Fi signal propagation, the Channel State Information (CSI) framework, and the parameters affecting signal sensitivity. Subsequently, various algorithmic approaches are explored, from traditional signal modeling to advanced Machine Learning and Deep Learning architectures, including CNNs, RNNs, and Transformers.

A detailed evaluation follows for the systems CARM, WiDraw, and SrcSense, focusing on feature extraction, experimental validation, and performance comparison. The thesis further examines emerging developments such as the IEEE 802.11bf standard and novel research frameworks like GraSens and DensePose, which employ Wi-Fi-based Dense Pose RCNN networks for real-time human pose estimation.

The comparative analysis demonstrates that Wi-Fi Sensing technologies can transform conventional wireless networks into intelligent perception systems capable of tracking human motion and posture with high accuracy while preserving privacy. Future research directions include the integration of deep learning models, energy-efficient architectures, and data security mechanisms.

Overall, the study highlights Wi-Fi Sensing as a rapidly maturing field with significant potential across robotics, healthcare, smart homes, and industrial monitoring applications.

Λέξεις – Κλειδιά

Wi-Fi sensing, αναγνώριση κίνησης, Channel State Information (CSI), A-ACF, βαθιά μάθηση, Src Sense, Vision Transformer, μη παρεμβατική παρακολούθηση, έξυπνα περιβάλλοντα, μηχανική μάθηση.

Keywords

Wi-Fi sensing, motion recognition, Channel State Information (CSI), A-ACF, deep learning, Src Sense, Vision Transformer, non-intrusive monitoring, smart environments, machine learning.

Ημερομηνία Εξέτασης: Τετάρτη, 10 Δεκεμβρίου · 8:00  – 9:00 μμ

Χώρος Εξέτασης: Εργαστήριο 7, Τμ. Ηλεκτρονικών Μηχανικών, Κτίριο Α

Διαδικτυακά μέσω Google Meet:

https://meet.google.com/juh-otiy-ywc