Resumen:El avance de la tecnología Wi-Fi de próxima generación depende en gran medida de las capacidades de detección, que desempeñan un papel fundamental a la hora de permitir aplicaciones sofisticadas. En respuesta a la creciente demanda de implementaciones a gran escala, los sistemas de detección Wi-Fi contemporáneos se esfuerzan por lograr una percepción de alta precisión manteniendo al mismo tiempo un consumo mínimo de ancho de banda y requisitos de recuento de antenas. Sorprendentemente, varias tecnologías de percepción impulsadas por IA han demostrado la capacidad de superar las limitaciones de resolución tradicionales impuestas por la teoría del radar. Sin embargo, los fundamentos teóricos de este fenómeno no han sido investigados a fondo en las investigaciones existentes. En este estudio, descubrimos que, en condiciones de hardware limitado, las mejoras de rendimiento aportadas por la IA a los sistemas de detección Wi-Fi se originan principalmente en dos aspectos: información previa y correlación temporal. La información previa permite a la IA generar detalles plausibles basados en entradas vagas, mientras que la correlación temporal ayuda a reducir el límite superior del error de detección. Desarrollamos un sistema de detección de Wi-Fi basado en IA utilizando un único par de transceptores y diseñamos experimentos centrados en la estimación de la postura humana y la localización en interiores para validar las afirmaciones teóricas. Los resultados confirman las ganancias de rendimiento aportadas por la correlación temporal y la información previa.
Publicado originalmente en export.arxiv.org el 5 de noviembre de 2025.
Ver fuente original
