Wie Künstliche Intelligenz mit WLAN-Signalen unsere Körperhaltung erkennt

Eine neue Ära der Raumwahrnehmung durch KI und drahtlose Signale

In einer zunehmend vernetzten Welt, in der smarte Geräte und künstliche Intelligenz immer enger mit unserem Alltag verwoben sind, rückt ein bisher unscheinbares Werkzeug ins Zentrum technologischer Innovation: der WLAN-Router. Forscher der Carnegie Mellon University haben gezeigt, dass handelsübliche Router nicht nur Daten übertragen, sondern mithilfe von KI auch Menschen „sehen“ können – durch Wände hindurch, ohne Kameras, allein mit Funksignalen. Die Technologie erlaubt es, Position und sogar Körperhaltung von Personen in Innenräumen zu erkennen – ein Meilenstein mit weitreichenden Implikationen für Gesundheit, Sicherheit und Privatsphäre.

Dieser Ansatz stellt eine bemerkenswerte Entwicklung innerhalb der KI-Forschung dar: Statt visuelle Daten wie Bilder oder Videos zu analysieren, interpretiert ein neuronales Netzwerk elektromagnetische Störmuster. Die Anwendungsmöglichkeiten sind vielfältig – von der sturzsensitiven Seniorenbetreuung bis hin zur intelligenten Raumsteuerung im Smart Home. Doch der technologische Fortschritt wirft auch gewichtige ethische Fragen auf. Es ist eine stille Revolution, die sowohl technische Exzellenz als auch gesellschaftliche Reflexion verlangt.

Technische Analyse:

Vom Rauschen zum Signal – wie Deep Learning aus WLAN-Wellen Körperhaltungen abliest

Das Herzstück der Innovation ist die Transformation von sogenannten Channel State Information (CSI) – feingranularen Messdaten über Veränderungen in WLAN-Signalen – in räumliche Informationen über den menschlichen Körper. Wenn sich eine Person in einem Raum bewegt, beeinflusst ihr Körper die Ausbreitung der elektromagnetischen Wellen, ähnlich wie Hindernisse das Licht streuen. Diese Interferenzmuster enthalten strukturelle Informationen, die durch maschinelles Lernen dekodiert werden können.

Die Forscher nutzten ein duales System: Während eine Kamera die exakte Körperhaltung der Personen aufzeichnete und mit dem Modell DensePose – einem 2018 von Meta AI entwickelten bildbasierten Posenerkennungsnetz – analysierte, wurden parallel die WLAN-Signale gemessen. Anschließend trainierten sie ein neues neuronales Netzwerk darauf, die DensePose-Ausgaben nur aus den WLAN-Daten zu rekonstruieren.

Dabei stützen sich die Systeme auf Convolutional Neural Networks (CNNs) und zunehmend auch auf Transformer-Architekturen, wie sie in der modernen Computer Vision etabliert sind. Die Herausforderung besteht darin, die nicht-visuellen Daten in geometrische Körperdarstellungen zu übertragen – eine Aufgabe, die sowohl große Datenmengen als auch ausgeklügelte Signalverarbeitung voraussetzt.

Besondere technische Limitierungen ergeben sich durch die physikalischen Eigenschaften von WLAN-Signalen: Die Wellenlänge setzt Grenzen bei der räumlichen Auflösung – kleinere Körperteile wie Hände oder Gesichtszüge bleiben weitgehend unerkannt. Zudem ist das System empfindlich gegenüber Veränderungen in der Umgebung, etwa durch Möbel oder zusätzliche Personen, was die Generalisierungsfähigkeit einschränkt.

Anwendung und Nutzen:

Unsichtbare Helfer: Gesundheitsüberwachung, Sicherheit und intuitive Mensch-Maschine-Interaktion

Die potenziellen Anwendungen dieser Technologie sind ebenso vielfältig wie wegweisend. Im Gesundheitsbereich, insbesondere in der Altenpflege, könnten WLAN-basierte Systeme Leben retten: Sie erkennen Stürze automatisch und alarmieren Hilfspersonal – diskret und ohne invasive Sensoren oder Kameras. Darüber hinaus lassen sich Veränderungen im Bewegungsverhalten über längere Zeiträume hinweg erfassen und als Frühindikatoren für neurodegenerative Erkrankungen nutzen.

Im Smart Home eröffnet die Technologie neue Formen der Interaktion: Licht, Musik oder Raumtemperatur lassen sich durch einfache Gesten steuern – ohne Sprachassistenten oder physische Bedienung. Das System könnte zudem Nutzer individuell erkennen und personalisierte Umgebungen schaffen.

Auch im Bereich der Sicherheit ergibt sich ein Paradigmenwechsel. Anders als herkömmliche Infrarotsensoren kann die KI-gesteuerte WLAN-Analyse Personen hinter Sichtbarrieren erfassen – ein potenzieller Vorteil bei der Einbruchserkennung. In Fahrzeugen wiederum ließen sich Insassenpositionen erkennen und Sicherheitsmechanismen adaptiv steuern.

Dennoch ist die Technologie nicht frei von Herausforderungen: Rechenaufwand, Energieverbrauch und die Genauigkeit in komplexen Umgebungen sind derzeit noch limitierende Faktoren.

KI-Kategorien und Einordnung:

Deep Learning, Computer Vision und die neue Rolle drahtloser Sensorik

Die vorgestellte Technologie lässt sich als interdisziplinäres KI-System charakterisieren, das Techniken aus mehreren Bereichen kombiniert:

• Computer Vision: Das DensePose-Modell basiert auf fortgeschrittener Bildanalyse, das durch WiFi-Sensing simuliert wird.
• Signalverarbeitung: Die Rohdaten aus der Channel State Information müssen gefiltert, transformiert und normalisiert werden – ein klassisches Vorverarbeitungsszenario für maschinelles Lernen.
• Maschinelles Lernen / Deep Learning: Die Erkennung erfolgt durch ein tiefes neuronales Netz, das strukturierte Posen aus unstrukturierten WLAN-Daten extrahiert.
• Selbstüberwachtes Lernen (Self-supervised Learning): Da Kamera- und WLAN-Daten parallel vorliegen, können Modelle ohne manuelle Annotation trainiert werden.
• Domänenadaptation: Ein zentrales Ziel ist es, das Modell so zu gestalten, dass es in neuen Umgebungen mit minimalem Retraining funktioniert.

Diese Synergien zeigen eindrucksvoll, wie verschiedene Disziplinen der KI kooperieren, um eine sensorisch neue Form der Raumwahrnehmung zu ermöglichen.

Fazit und Ausblick:

Die Geburt einer neuen Schnittstelle zwischen Mensch, Raum und Maschine

Die Entwicklung der WiFi-basierten Posenerkennung stellt eine stille, aber tiefgreifende Umwälzung dar. Sie erweitert das Spektrum sensorischer Intelligenz, ohne neue Hardware zu benötigen – ein beispielloser Effizienzgewinn. Doch bevor diese Technologie alltäglich wird, müssen noch viele Fragen geklärt werden: Wie lassen sich Modelle robust und skalierbar gestalten? Welche Datenschutzrichtlinien müssen greifen? Und wie wird die Gesellschaft auf eine unsichtbare Form der Überwachung reagieren?

In den nächsten fünf bis zehn Jahren könnten wir erste Produkte erleben, die diese Technologie integrieren – zunächst in Spezialanwendungen wie medizinischer Überwachung oder professioneller Gebäudetechnik. Doch die langfristige Vision ist größer: Ein „fühlendes Zuhause“, das erkennt, versteht und schützt, ohne zu sehen.

Einfache Zusammenfassung:

Was macht dein WLAN-Router wirklich?

Forscher haben entdeckt, dass ein normaler WLAN-Router – mit Hilfe von künstlicher Intelligenz – erkennen kann, wo sich Menschen im Raum befinden und welche Haltung sie gerade einnehmen. Dabei werden keine Kameras verwendet. Stattdessen wird geschaut, wie sich die Funksignale verändern, wenn sie auf Menschen treffen.

Das kann besonders im Gesundheitsbereich nützlich sein, zum Beispiel um zu erkennen, wenn jemand stürzt. Auch im Smart Home könnten Licht oder Musik bald automatisch gesteuert werden, nur durch deine Bewegung. Es gibt aber auch Risiken: Wenn die Technik nicht gut geschützt ist, könnte sie zum Spionieren benutzt werden. Deshalb müssen Regeln aufgestellt werden, wie und wo sie eingesetzt werden darf.

Das Ganze steckt noch in der Forschung, aber vielleicht ist dein Router in ein paar Jahren mehr als nur ein Internetgerät – vielleicht ist er dann auch ein stiller Beobachter deines Alltags.

Quellen:

1. https://ai.meta.com/research/publications/densepose-dense-human-pose-estimation-in-the-wild/
2. https://ignesa.com/insights/wifi-densepose-a-new-frontier-in-sensing/
3. https://wlan.net/ki-wlan-router/
4. https://www.slashcam.de/news/single/KI-verwandelt-WLAN-Router-in-Raum-Radar-17788.html
5. https://www.kaspersky.de/blog/dense-pose-recognition-from-wi-fi-signal/31268/