Las señales Wi-Fi pueden hacer más que transmitir películas y música por toda la casa: también pueden usarse para identificar formas a través de paredes sólidas, según han demostrado experimentos recientes.
La capacidad del Wi-Fi para detectar movimiento a través de las paredes ya ha sido demostrada, pero la tecnología tiene dificultades para ver cualquier cosa que no se esté moviendo.
Para superar esta limitación, investigadores de la Universidad de California en Santa Bárbara (UCSB) diseñaron una configuración Wi-Fi para centrarse específicamente en los bordes de los objetos, de forma muy parecida a como una persona dibujaría un contorno.
Este enfoque permitió a los investigadores utilizar lo que se llama la teoría geométrica de la difracción (o GTD), que describe el comportamiento de las ondas cuando alcanzan los bordes de los objetos, provocando así interferencia o difracción en las ondas.
En este caso, las ondas son señales de Wi-Fi, que forman formas llamadas conos de Keller cuando se difractan en los bordes de los objetos. Al interpretar la composición y dirección de estos conos de Keller, una escena puede revelarse gradualmente.
«Luego desarrollamos un marco matemático que utiliza estas muescas de los conos como firmas para inferir la orientación de los bordes, creando así un mapa de los bordes de la escena», dice Yasamin Mostofi, ingeniero eléctrico e informático de la UCSB.
Llamado Wiffract, el sistema que Mostofi y sus colegas armaron involucra tres transmisores Wi-Fi para enviar señales y un receptor móvil para captarlas mientras rebotan.
Sabemos que las ondas de Wi-Fi pueden atravesar las paredes (de lo contrario, su enrutador sería inútil), pero estas ondas también se ven afectadas cuando chocan contra objetos.
Luego se requieren matemáticas complejas (y conjeturas fundamentadas) para determinar qué formas corresponden a los conos de Keller. Al utilizar datos de bordes con lecturas fuertes, los científicos pudieron mejorar la capacidad del sistema para detectar bordes con lecturas más débiles, quizás más lejos de los transmisores o en una ubicación oculta.
«Una vez que encontremos los puntos límite de alta confianza a través del núcleo de imágenes propuesto, propagaremos su información al resto de los puntos utilizando la propagación de información bayesiana», explica el ingeniero eléctrico Anurag Pallaprolu de UC Santa Barbara.
Los cálculos estadísticos involucrados en la propagación bayesiana de información no son diferentes de trabajar en un rompecabezas: si estás seguro de la posición de ciertas piezas, puedes determinar la posición y la forma de las piezas necesarias para llenar los espacios.
Aún se necesitan muchos ajustes, pero el sistema ahora puede reconocer letras grandes. En última instancia, podría usarse en todas partes, desde rescate en desastres hasta monitoreo inteligente del hogar y «ver» el interior de las habitaciones cuando no hay línea de visión.
Traducido por Mateus Lynniker de Alerta científica
«Explorador apasionado. Aficionado al alcohol. Fanático de Twitter. Webaholic galardonado. Aficionado a la comida. Geek de la cultura pop. Organizador».