Lisandro Pardo
En el pasado hemos hablado sobre proyectos que nos ayudan a ver a la vuelta de las esquinas, pero hay otro objetivo muy popular entre los investigadores, que es rastrear gente detrás de las paredes. Uno de los primeros ejemplos nos remonta a la época del viejo Microsoft Kinect, sin embargo, hoy descubrimos al sistema RF-Pose desarrollado por el instituto CSAIL del MIT. El sistema combina señales inalámbricas dentro de las frecuencias WiFi con una red neural de aprendizaje profundo que procesa a dichas señales para generar un modelo 2D y estimar «pose y ubicación» de una persona dentro de una habitación.
Desde operaciones de rescate en incendios o derrumbes hasta delicadas situaciones de rehenes, hay razones de sobra por las que a una fuerza de seguridad o un equipo de emergencia le encantaría tener un sistema que permita ver detrás de las paredes. Por supuesto, la óptica tiene sus limitaciones, y la mayoría de estos desarrollos se basan en señales de radio. Uno de los principales desafíos es incrementar la precisión del rastreo, y un grupo de expertos en el CSAIL del MIT decidió aplicar el poder de fuego que tienen las redes neurales. El resultado, es RF-Pose:
RF-Pose utiliza señales inalámbricas dentro de la banda de frecuencias pertenecientes al WiFi que alimentan a una red neural, la cual a su vez genera un «mapa de confianza» con esos datos recibidos. Ese mapa es suficiente para extraer esqueletos en dos dimensiones, independientemente de los objetos que haya en la habitación, o de las condiciones de luz. El cálculo de profundidad en RF-Pose es un poco limitado (algunos esqueletos desaparecen cuando otros pasan por delante), pero puede procesar varias personas al mismo tiempo en una escena única.
Lógicamente, todo se reduce a una cuestión de entrenamiento. La red neural puede reconocer y aislar el estilo que tiene una persona para caminar, elevando la precisión en la estimación de poses a un 83 por ciento. En otras palabras, RF-Pose no sólo logra determinar hasta cierto punto qué es lo que está haciendo una persona, sino también de quién se trata. ¿Qué sigue en la lista? Pasar a un modelo de esqueletos 3D que habilite el registro de micromovimientos más pequeños.
