Le WiFi Sensing (ou Wi-Fi-based sensing, RF sensing, Channel State Information sensing) est une technologie qui transforme un réseau WiFi classique en un système de détection capable d’observer l’environnement physique sans caméra ni capteur dédié. Elle exploite les perturbations que les objets et les êtres vivants provoquent sur la propagation des ondes radio.

L’idée fondamentale est simple : lorsqu’une personne se déplace dans une pièce, elle modifie légèrement le trajet des signaux WiFi. Ces modifications, invisibles pour l’utilisateur, sont mesurables par les équipements radio modernes et peuvent être exploitées pour détecter une présence, suivre un mouvement, reconnaître une activité, surveiller les signes vitaux ou même reconstruire une silhouette humaine.

---

1. Principes physiques fondamentaux

Propagation des ondes WiFi

Les réseaux WiFi utilisent principalement les bandes :

• 2.4 GHz
• 5 GHz
• 6 GHz (WiFi 6E et WiFi 7)

Une onde électromagnétique se propage rarement en ligne droite.

Elle subit :

• Réflexion
• Réfraction
• Diffraction
• Absorption
• Diffusion (scattering)

Ainsi, un paquet WiFi reçu est généralement constitué d’une somme de plusieurs trajets radio :

Signal reçu = Σ chemins radio

On parle de propagation multipath.

Exemple :

AP -----> Utilisateur
 \          ^
  \         |
   \-> Mur -/

Le récepteur reçoit :

• le trajet direct
• la réflexion sur le mur
• les réflexions sur les meubles
• les réflexions sur le corps humain

Chaque trajet possède :

• une amplitude
• une phase
• un retard

La somme de ces contributions forme ce que l’on appelle le :

• Channel Impulse Response (CIR)

ou

• Channel State Information (CSI)

selon le niveau d’abstraction observé.

---

2. Pourquoi le corps humain influence le WiFi

Le corps humain contient principalement :

• de l’eau
• des électrolytes
• et des tissus conducteurs

À 2.4 GHz ou 5 GHz :

• l’eau absorbe fortement l’énergie RF
• le corps réfléchit également une partie du signal

Conséquence :

Une personne qui se déplace modifie continuellement :

• l’amplitude
• la phase
• les trajets multipath

Même un mouvement de quelques millimètres est détectable !

---

3. Le rôle du Doppler

Comme dans le radar.

Si une personne se déplace :

fD = 2v / λ

avec :

• fD = fréquence Doppler
• v = vitesse
• λ = longueur d’onde

À 5 GHz :

λ ≈ 6 cm

Un mouvement lent de la main produit déjà un Doppler observable.

Le WiFi sensing exploite donc indirectement l’effet Doppler et les variations multipath pour détecter les mouvements.

---

4. RSSI : première génération du WiFi Sensing

La méthode la plus simple repose sur le RSSI (Received Signal Strength Indicator), qui correspond à la puissance reçue.

Exemple :

Sans personne : -45 dBm

Personne présente :
-50 dBm
-55 dBm
-48 dBm

Les fluctuations de RSSI permettent de détecter :

• une présence
• un mouvement grossier
• une ouverture d’une porte

Il y a malgré tout des limites inhérentes à la méthode :

• une faible précision
• une forte sensibilité au bruit
• une incapacité à distinguer plusieurs personnes

---

5. CSI : la révolution du WiFi Sensing

Le CSI (Channel State Information) fournit pour chaque sous-porteuse OFDM (Orthogonal Frequency-Division Multiplexing) une valeur d’amplitude et de phase sous la forme :

H(f) = A(f)e^(jφ)

où :

• A = amplitude
• φ = phase

Exemple :

Pour le WiFi 802.11n :

56 sous-porteuses OFDM

Pour le WiFi 802.11ac :

234 sous-porteuses

Chaque paquet devient alors une véritable photographie de l’environnement RF.

---

6. OFDM : pourquoi le WiFi moderne est idéal

Les normes modernes utilisent :

• 802.11n
• 802.11ac
• 802.11ax
• 802.11be

Ces amendements de la norme 802.11 sont basés sur l’OFDM (Orthogonal Frequency Division Multiplexing) comme évoqué plus haut.

Celà signifie que la bande est découpée en dizaines ou centaines de sous-porteuses.

|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|_|

Chaque sous-porteuse réagit différemment aux perturbations et cela offre une résolution spatiale bien supérieure au simple RSSI.

---

7. MIMO et Beamforming

Les équipements modernes possèdent plusieurs antennes, par exemple :

3x3 MIMO

• 3 antennes TX
• 3 antennes RX

On obtient :

3 × 3 = 9 canaux CSI

Le WiFi sensing exploite le concept de Spatial Diversity notamment grâce aux antennes multiples, ce qui permet d’observer différentes perspectives radio.

Le résultat est similaire à un mini radar multicanal.

---

8. Extraction du CSI

Historiquement, l’un des projets les plus emblématiques ayant permis de démocratiser l’accès au Channel State Information (CSI) est le Intel 5300 CSI Tool. Issu du monde académique, cet outil a joué un rôle fondamental dans l’essor du WiFi sensing en permettant d’extraire des informations beaucoup plus fines que les simples métriques réseau classiques. Contrairement au RSSI, il rendait possible l’observation détaillée du canal radio, notamment en fournissant le CSI brut ainsi que ses composantes en amplitude et en phase à partir de trames WiFi capturées sur des cartes réseau Intel compatibles. Cette granularité a ouvert la voie à une multitude de travaux de recherche en détection de mouvement, reconnaissance d’activités humaines et analyse fine des environnements radio.

Avec la généralisation de l’intérêt pour le sensing RF, cette capacité d’extraction ne s’est plus limitée à un environnement académique ou à du matériel spécifique. Aujourd’hui, de nombreuses plateformes embarquées et chipsets modernes permettent également d’accéder à des données similaires. On retrouve notamment des implémentations basées sur l’ESP32, largement utilisées dans les prototypes et projets IoT, ainsi que des solutions issues de drivers Atheros ou encore du framework Nexmon, qui a permis d’exploiter les chipsets Broadcom pour récupérer le CSI sur certains routeurs grand public.

Ci-dessous une liste non exhaustive des chipsets « modernes » permettant l’extraction du CSI :

• ESP32 CSI
• Atheros CSI
• Nexmon CSI
• Broadcom CSI
• Qualcomm CSI

---

9. Pipeline de traitement

Étape 1 : Acquisition

La première étape du pipeline consiste à acquérir le signal brut, ici sous forme de CSI (Channel State Information). Cette donnée représente l’état du canal de communication à un instant donné et contient des informations riches sur la propagation du signal, mais elle est également fortement bruitée et dépendante de l’environnement. À ce stade, aucune interprétation n’est encore réalisée : on collecte simplement les mesures issues du système radio.

Étape 2 : Nettoyage

Une fois les données acquises, il est essentiel de les prétraiter afin de réduire les perturbations qui pourraient nuire aux étapes suivantes. Cette phase vise notamment à supprimer différents types de bruit, comme le bruit thermique généré par les composants électroniques, les fluctuations RF dues aux variations du signal radio, ainsi que les erreurs de synchronisation pouvant apparaître lors de l’échantillonnage.

Pour améliorer la qualité du signal, plusieurs méthodes de filtrage et de correction sont généralement utilisées, parmi lesquelles les filtres de Savitzky-Golay, les modèles de Kalman, les filtres Butterworth, ou encore des approches de réduction de dimension comme la PCA (Principal Component Analysis), qui permet d’isoler les composantes les plus informatives du signal.

Étape 3 : Extraction de caractéristiques

Une fois le signal nettoyé, on procède à l’extraction de caractéristiques (feature engineering), étape clé qui consiste à transformer les données brutes en représentations exploitables par des algorithmes d’apprentissage.

On peut extraire plusieurs familles de features. D’une part, des caractéristiques dans le domaine temporel et statistique, comme la moyenne, la variance, l’asymétrie (skewness) ou encore la kurtosis, qui permettent de décrire la distribution du signal. D’autre part, des caractéristiques fréquentielles, obtenues via des transformations comme la FFT (Fast Fourier Transform), les ondelettes (wavelets) ou la STFT (Short-Time Fourier Transform), qui permettent d’analyser la structure spectrale du signal. Enfin, des informations temps-fréquence plus avancées, telles que les signatures Doppler, peuvent être utilisées pour capturer les variations dynamiques liées aux mouvements ou aux changements dans l’environnement.

Étape 4 : Classification

La dernière étape consiste à exploiter les caractéristiques extraites afin de réaliser une tâche de classification ou de reconnaissance de motifs. Différents types d’algorithmes peuvent être utilisés selon la complexité du problème et la quantité de données disponibles.

Les approches dites traditionnelles incluent des modèles comme les Support Vector Machines (SVM), les Random Forests ou encore XGBoost, qui sont efficaces sur des données bien structurées et peu volumineuses. En parallèle, les méthodes basées sur le deep learning permettent d’apprendre automatiquement des représentations plus complexes : les CNN sont souvent utilisées pour les données structurées en matrices (comme les spectrogrammes), les LSTM pour les séquences temporelles, les Transformers pour capturer des dépendances longues, et les Autoencoders pour la compression et la détection d’anomalies.

---

10. Détection de présence

Ce cas d’usage est aujourd’hui l’un des plus matures dans le domaine de la détection passive basée sur les signaux radio (WiFi, radar, UWB, etc.).

L’objectif n’est pas simplement de savoir si un objet est en mouvement, mais de déterminer si une personne est physiquement présente dans un espace donné, même lorsqu’elle ne se déplace pas de manière perceptible.

La détection se résume généralement à deux états principaux : présent ou absent.

Ce qui est particulièrement intéressant ici, c’est que la détection ne repose pas sur des indices classiques comme le mouvement visible, le son ou l’interaction avec un appareil. Même en situation totalement statique (une personne assise, allongée ou immobile), les systèmes peuvent encore inférer une présence grâce aux perturbations extrêmement fines qu’un corps humain introduit dans l’environnement électromagnétique.

Ce type de détection est souvent désigné sous le terme Device-Free Passive Detection (DFPD).

Cela signifie que la personne n’a absolument aucun dispositif à porter ou à transporter :

• aucun smartphone
• aucun badge RFID ou tag actif
• aucun capteur biométrique

La simple présence du corps humain suffit à modifier légèrement la propagation des ondes (réflexions, atténuation, multi-trajets), ce qui peut être exploité par des algorithmes d’apprentissage ou de traitement du signal pour détecter l’occupation d’un espace.

---

11. Détection de présence statique

Ce cas est beaucoup plus complexe et représente un défi technique significatif, même pour les systèmes les plus avancés.

Lorsqu’une personne est totalement immobile, elle ne génère plus de signaux évidents comme la marche ou les déplacements de masse. Les seules informations exploitables deviennent alors extrêmement subtiles :

• la respiration
• des micro-mouvements involontaires
• de très légères variations posturales

Ces signaux sont de très faible amplitude et souvent invisibles pour des capteurs classiques. Pourtant, les systèmes modernes basés sur l’analyse fine des perturbations d’ondes radio ou radar sont capables de les exploiter.

Par exemple, la respiration provoque un mouvement périodique du thorax de l’ordre de quelques millimètres seulement. Ce déplacement minuscule suffit à modifier légèrement la phase ou l’amplitude des signaux réfléchis, ce qui peut être détecté via des techniques comme l’analyse de canal (CSI), le Doppler micro-mouvement, ou encore des méthodes radar à haute résolution.

Dans des environnements contrôlés (laboratoires ou démonstrations académiques), ces approches ont montré des performances très élevées, avec des taux de détection ou de classification dépassant parfois 95 %, notamment pour distinguer une présence humaine statique d’un environnement vide.

Cependant, ces performances restent fortement dépendantes des conditions :

• environnement (réflexions, multipath)
• distance
• orientation du corps
• bruit radio ambiant

Ce qui rend la détection statique encore aujourd’hui un domaine actif de recherche, malgré des résultats déjà très prometteurs.

---

12. Reconnaissance d’activités humaines

La reconnaissance d’activités humaines, souvent abrégée en HAR (Human Activity Recognition), consiste à identifier automatiquement le comportement ou l’action d’une personne à partir de signaux captés par des capteurs passifs ou actifs, notamment les systèmes radio (WiFi, radar, UWB, etc.).

L’idée centrale est que chaque mouvement humain, même simple, produit une perturbation caractéristique dans l’environnement électromagnétique, en particulier dans la manière dont les ondes sont réfléchies et décalées en fréquence (effet Doppler).

Ainsi, différentes activités produisent des signatures distinctes, notamment :

• marcher : mouvement périodique régulier, avec une signature Doppler stable et cyclique liée aux pas
• courir : fréquence de variation plus élevée, amplitude Doppler plus importante, dynamique plus rapide
• tomber : transition brutale d’un mouvement vertical rapide vers un état stationnaire
• s’asseoir : ralentissement progressif suivi d’un arrêt, souvent identifiable par une courbe d’énergie décroissante
• se coucher : mouvement plus étendu dans le temps, avec une dispersion plus progressive des micro-mouvements
• lever les bras : mouvement localisé, asymétrique, générant une signature Doppler plus faible mais directionnelle

Chaque activité génère donc une signature Doppler propre, que l’on peut représenter sous forme de spectrogrammes. Ces spectrogrammes montrent comment l’énergie du signal se répartit dans le temps et en fréquence, révélant des motifs spécifiques à chaque geste.

Les systèmes modernes utilisent souvent des techniques d’apprentissage automatique (machine learning ou deep learning) pour classer ces signatures et reconnaître l’activité en cours avec un haut niveau de précision, même dans des environnements complexes.e.

---

13. Détection de chute

La détection de chute est l’une des applications les plus importantes et sensibles de la reconnaissance d’activités humaines, notamment dans les domaines de la santé et de la surveillance des personnes vulnérables.

Elle est particulièrement utilisée dans des contextes tels que :

• EHPAD (Établissements d’Hébergement pour Personnes Âgées Dépendantes)
• maintien à domicile des personnes âgées ou fragiles
• télésurveillance médicale et assistance à distance

L’objectif est d’identifier automatiquement une chute afin de déclencher une alerte rapide, sans intervention humaine.

D’un point de vue physique et signal, une chute se distingue par une dynamique très particulière. Elle combine généralement deux phénomènes clés :

• une forte accélération initiale, correspondant à la perte d’équilibre et à la descente rapide du corps
• suivie d’un arrêt brutal, lorsque la personne touche le sol et cesse presque instantanément de se déplacer

Dans un spectrogramme Doppler, cette séquence apparaît comme une transition très nette :

1. une montée rapide des fréquences Doppler (mouvement accéléré)
2. une forte intensité énergétique sur une courte durée
3. puis une extinction quasi immédiate du signal dynamique, indiquant l’immobilisation

Cette signature est particulièrement reconnaissable car elle diffère nettement des activités quotidiennes comme s’asseoir ou se pencher, qui présentent des transitions plus progressives et contrôlées.

Grâce à ces caractéristiques, les systèmes de détection modernes peuvent identifier les chutes avec une grande fiabilité, surtout lorsqu’ils sont combinés à des modèles d’apprentissage entraînés sur de larges bases de données d’activités humaines.

Cependant, en conditions réelles, plusieurs facteurs peuvent complexifier la détection :

• similitudes avec certains mouvements brusques (s’asseoir rapidement, glisser)
• environnement multi-personnes
• interférences et bruit radio

Malgré cela, la détection de chute reste l’un des cas d’usage les plus avancés et les plus critiques du HAR, en raison de son impact direct sur la sécurité et la santé des individus.

---

14. Monitoring respiratoire

Le monitoring respiratoire sans contact repose sur un principe relativement subtil mais très robuste : le mouvement mécanique de la respiration entraîne un déplacement physique du thorax, même chez une personne parfaitement immobile.

À chaque cycle respiratoire (inspiration / expiration), la cage thoracique se dilate puis se contracte, ce qui provoque un déplacement mesurable de l’ordre de quelques millimètres, typiquement entre 5 et 12 mm selon la personne, la posture et la profondeur de la respiration.

Même si ce déplacement semble minime, il est suffisant pour modifier de manière significative la propagation des ondes radio dans l’environnement. En particulier, la respiration affecte :

• les trajets multiples (multipath) des signaux RF
• les déphasages des ondes réfléchies
• les variations d’amplitude et de cohérence du signal reçu

En analysant ces fluctuations fines, il devient possible d’extraire des informations physiologiques directement à partir du signal radio, sans aucun contact physique avec la personne.

Les systèmes modernes permettent ainsi de mesurer avec précision :

• la fréquence respiratoire (nombre de cycles par minute)
• la présence éventuelle d’apnée ou d’interruptions respiratoires
• le rythme et la régularité de la respiration (utile pour détecter stress, sommeil, anomalies respiratoires)

Ce type de monitoring est particulièrement intéressant dans des contextes comme le suivi du sommeil, la surveillance médicale à distance ou les environnements sensibles (hôpitaux, soins à domicile), car il permet une observation continue sans inconfort pour la personne surveillée.

---

15. Monitoring cardiaque

Le monitoring cardiaque sans contact représente un niveau de complexité nettement supérieur au monitoring respiratoire, en raison de l’amplitude extrêmement faible des mouvements impliqués.

Contrairement à la respiration, le mouvement induit par le battement du cœur est de l’ordre de 0,2 à 0,5 mm, ce qui correspond à des micro-déplacements du corps causés par la contraction cardiaque et la circulation sanguine.

Ces variations sont extrêmement difficiles à isoler car elles sont :

• noyées dans le bruit radio ambiant
• masquées par les mouvements respiratoires beaucoup plus importants
• perturbées par les réflexions multiples dans l’environnement (multipath)

En d’autres termes, le signal cardiaque est souvent « invisible » à première vue dans les données brutes, et nécessite des techniques avancées de traitement du signal pour être extrait.

Les recherches récentes et les systèmes de pointe utilisent une combinaison de méthodes sophistiquées pour résoudre ce problème, notamment :

• des architectures MIMO massif (Multiple Input Multiple Output), permettant d’obtenir une meilleure diversité spatiale et une résolution accrue
• des algorithmes de Deep Learning, capables d’apprendre à distinguer les signatures cardiaques des autres composantes du signal
• des techniques avancées de beamforming, qui permettent de focaliser l’analyse sur une zone précise et d’améliorer le rapport signal/bruit

Grâce à ces approches combinées, il devient possible d’isoler les micro-variations liées au rythme cardiaque et d’estimer la fréquence cardiaque de manière indirecte, sans capteur physique.

Ce domaine reste cependant particulièrement exigeant, car la qualité de la mesure dépend fortement :

• de la distance entre le sujet et le capteur
• de la stabilité de la posture
• de la complexité de l’environnement (réflexions, obstacles, multi-personnes)

Malgré ces contraintes, le monitoring cardiaque sans contact est aujourd’hui un champ de recherche très actif, avec des applications potentielles importantes en santé connectée, télémédecine et surveillance non intrusive.

---

16. Localisation indoor

La localisation en intérieur constitue l’un des grands défis des systèmes de positionnement modernes. Contrairement à l’extérieur, où le GPS (Global Positioning System) fonctionne correctement grâce à la réception directe des satellites, les environnements indoor posent un problème majeur : les signaux GPS y sont fortement atténués, réfléchis ou totalement bloqués par les structures (murs, plafonds, matériaux métalliques), rendant la localisation classique imprécise voire inutilisable.

Dans ce contexte, le WiFi sensing s’impose comme une alternative particulièrement prometteuse. Plutôt que de dépendre de satellites, il exploite les signaux radio déjà présents dans l’environnement (routeurs WiFi, points d’accès, appareils connectés) pour réaliser plusieurs tâches essentielles :

• tracking (suivi de trajectoire d’une personne ou d’un objet)
• géolocalisation indoor (estimation de position dans un bâtiment)
• comptage de personnes (détection du nombre d’occupants dans une zone donnée)

Plusieurs approches techniques sont utilisées pour cela :

• Fingerprinting : cette méthode repose sur la création d’une base de données de « signatures radio » associées à des positions connues. Chaque point d’un environnement possède une empreinte RF unique, basée notamment sur le CSI (Channel State Information). Lorsqu’un signal est capté, il est comparé à cette base pour estimer la position.
• AoA (Angle of Arrival) : cette technique estime la direction d’arrivée du signal. En utilisant plusieurs antennes, il est possible de déterminer sous quel angle un signal arrive, ce qui permet de trianguler la position d’une source.
• ToF (Time of Flight) : elle mesure le temps que met un signal pour aller de l’émetteur au récepteur. Même des différences de quelques nanosecondes peuvent être exploitées pour estimer des distances.
• FTM (Fine Timing Measurement) : version améliorée du ToF intégrée dans certains standards WiFi récents, offrant une précision accrue grâce à des mesures temporelles plus fines et plus stables.

En combinant ces approches, les systèmes modernes peuvent atteindre des niveaux de précision étonnamment élevés en intérieur, ouvrant la voie à des applications avancées de navigation et de surveillance.

---

17. Imaging WiFi

L’imagerie WiFi est l’une des branches les plus avancées et les plus fascinantes du WiFi sensing, car elle dépasse la simple détection ou localisation pour viser un objectif beaucoup plus ambitieux : reconstruire une représentation visuelle de l’environnement à partir d’ondes radio.

Le principe fondamental repose sur une analogie forte :

le WiFi peut être vu comme un radar opportuniste

Autrement dit, les signaux WiFi, initialement conçus pour la communication, peuvent être détournés pour jouer un rôle similaire à celui d’un radar passif, capable de sonder l’environnement.

Lorsque les ondes se propagent dans une pièce, elles interagissent avec tous les objets présents : murs, meubles, corps humains, surfaces métalliques. Ces interactions génèrent des réflexions multiples, des diffusions et des atténuations, qui contiennent implicitement des informations sur la structure de l’environnement.

En exploitant ces signaux, il devient possible de reconstruire une forme d’image, généralement via des techniques de traitement avancées telles que :

• tomographie RF : reconstruction de volumes internes à partir de multiples observations radio
• reconstruction 2D : création de cartes planes représentant la distribution des objets ou des obstacles
• reconstruction 3D : modélisation spatiale complète de scènes ou d’environnements

Ces approches nécessitent souvent des algorithmes complexes d’inversion de signal et d’apprentissage automatique, car le problème est fortement indéterminé : plusieurs configurations physiques peuvent produire des signaux similaires.

---

18. WiFi Human Pose Estimation

L’estimation de pose humaine via WiFi est une extension encore plus impressionnante du WiFi sensing, car elle vise à reproduire une capacité normalement associée à la vision par caméra : reconstruire la posture complète du corps humain sans aucune image optique.

L’objectif est de détecter et localiser les principales parties du corps :

• tête
• bras
• jambes
• torse

… uniquement à partir de l’analyse des variations du CSI (Channel State Information) !

Le CSI capture la manière dont les signaux WiFi sont modifiés par la présence et les mouvements d’un corps humain. Chaque articulation, chaque mouvement, et même chaque micro-déplacement influence légèrement la propagation des ondes, créant une signature globale très riche mais difficile à interpréter.

Les systèmes modernes utilisent des architectures d’intelligence artificielle en plusieurs étapes :

CSI
 ↓
CNN (Convolutional Neural Networks)
 ↓
Transformer
 ↓
Skeleton 3D

• Les CNN permettent d’extraire des motifs locaux dans les données CSI, souvent assimilables à des « textures » temporelles ou fréquentielles.
• Les Transformers capturent les relations globales entre ces motifs dans le temps et dans l’espace.
• Le résultat final est une structure squelettique 3D, représentant la posture estimée de la personne.

Cette technologie ouvre des perspectives importantes pour la surveillance non intrusive, la santé, la rééducation ou encore les interfaces homme-machine.

---

19. WiFi Through-Wall Sensing

Le sensing à travers les murs via WiFi exploite une propriété physique fondamentale des ondes radio : leur capacité à traverser certains matériaux non conducteurs.

Les signaux WiFi peuvent ainsi pénétrer partiellement :

• le placoplâtre
• le bois
• certaines portes
• et divers matériaux composites non métalliques

Bien que ces matériaux atténuent et déforment le signal, ils ne l’arrêtent pas complètement, ce qui permet de récupérer des informations sur ce qui se passe dans une pièce adjacente.

Grâce à cette propriété, il devient possible de détecter :

• la présence humaine
• les mouvements
• parfois même des activités grossières

sans contact direct ni ligne de vue.

Cette capacité repose sur l’analyse des perturbations des signaux réfléchis et transmis, qui changent en fonction des mouvements et de la présence d’objets ou de personnes derrière une barrière physique.

Ce domaine est particulièrement étudié pour des applications sensibles, notamment :

• secours et recherche de victimes (détection de survivants sous des décombres)
• sécurité et surveillance (détection d’intrusions)
• applications de défense (cartographie passive d’environnements fermés)

Cependant, ces usages soulèvent également des questions importantes en matière de vie privée et d’éthique, car ils permettent d’obtenir des informations sur un espace sans accès direct ni consentement explicite des occupants.

---

20. Comparaison avec les autres technologies

Technologie	Détection présence	Vie privée	Traversée murs
Caméra	excellente	faible	non
LiDAR	excellente	moyenne	non
Radar mmWave	excellente	élevée	limitée
Bluetooth sensing	moyenne	élevée	faible
WiFi sensing	élevée	élevée	oui

---

21. IEEE 802.11bf : la normalisation

L’arrivée de la norme IEEE 802.11bf marque une étape fondamentale dans l’évolution du WiFi, car elle officialise un changement de paradigme : le WiFi ne se limite plus uniquement à un moyen de communication sans fil, mais devient également une technologie de sensing à part entière.

Historiquement, les infrastructures WiFi ont été conçues exclusivement pour transporter des données (débits, latence, fiabilité). Cependant, les chercheurs ont progressivement démontré que les mêmes signaux pouvaient être exploités pour observer l’environnement physique : présence humaine, mouvements, respiration, localisation, etc.

Avec IEEE 802.11bf, cette dimension est désormais intégrée dans le standard lui-même.

L’objectif principal est donc de :

Transformer officiellement le WiFi en une technologie duale : communication + perception de l’environnement

Pour y parvenir, plusieurs éléments sont introduits ou standardisés :

• protocoles de mesure normalisés : définition de méthodes communes pour accéder et interpréter les données physiques issues du signal WiFi
• collecte optimisée du CSI (Channel State Information) : amélioration de la précision, de la granularité et de la disponibilité des informations de canal
• interopérabilité entre équipements : possibilité pour des dispositifs de différents fabricants de fonctionner ensemble dans des systèmes de sensing cohérents
• synchronisation avancée : alignement temporel plus précis entre émetteurs et récepteurs, indispensable pour les mesures fines (ToF, Doppler, phase)

Grâce à cette évolution, le WiFi devient une infrastructure bifonctionnelle, capable de remplir simultanément deux rôles complémentaires :

• Communication (transfert de données classique)
• Détection / perception environnementale (sensing passif et actif)

Cela ouvre la voie à une intégration massive du sensing dans les réseaux existants, sans déploiement de capteurs supplémentaires.

---

22. Sécurité et cybersécurité

L’émergence du WiFi sensing introduit également une nouvelle classe de risques en cybersécurité, car les mêmes informations qui permettent de comprendre l’environnement peuvent être exploitées à des fins malveillantes lorsqu’elles sont accessibles à un acteur non autorisé.

Contrairement aux attaques traditionnelles qui visent le contenu des communications, ici l’enjeu est différent : il s’agit d’exploiter les métadonnées physiques du signal radio pour inférer des informations sur les activités humaines.

Passive Occupancy Detection

Dans un premier scénario de menace, un attaquant pourrait utiliser les variations du signal WiFi pour :

• déduire la présence ou l’absence de personnes dans un espace donné
• identifier des schémas de vie ou des habitudes quotidiennes (heures de sommeil, déplacements réguliers)
• surveiller des activités sans utiliser de caméra ni microphone

Cela rend possible une forme de surveillance totalement invisible, car elle ne nécessite aucun capteur intrusif visible.

Activity Inference

Dans des scénarios plus avancés, un système compromis pourrait aller encore plus loin et tenter d’inférer des activités spécifiques, telles que :

• périodes de sommeil
• marche ou déplacements dans une pièce
• activité physique ou mouvements répétitifs

Ces informations peuvent être déduites indirectement à partir des perturbations du signal radio, même sans accès aux données applicatives ou au contenu réseau.

CSI Leakage

Un point particulièrement critique concerne la fuite de CSI (Channel State Information).

Le CSI ne contient pas de données utilisateur au sens classique (messages, contenus, images), mais il encode une description extrêmement riche de l’environnement radio. En pratique, il agit comme une sorte de « scan physique » implicite de l’espace.

Des travaux de recherche ont montré que ces données peuvent révéler indirectement :

• le nombre de personnes présentes
• leur position approximative
• leurs activités ou mouvements globaux

Cela signifie qu’un attaquant n’a pas besoin d’intercepter le contenu du trafic réseau : les seules caractéristiques physiques du signal suffisent à extraire des informations sensibles.

---

23. Limites actuelles

Malgré les progrès rapides du WiFi sensing, plusieurs limitations fondamentales subsistent et constituent encore aujourd’hui des obstacles majeurs à son déploiement généralisé.

Variabilité environnementale

L’une des principales difficultés est la forte dépendance du système à l’environnement physique.

Par exemple, un simple changement dans la configuration d’une pièce peut avoir un impact important :

• déplacement d’un meuble
• ouverture ou fermeture d’une porte
• modification de la disposition des objets

Ces changements entraînent une altération significative du comportement des ondes radio (réflexions, multipath, atténuation), ce qui peut rendre un modèle précédemment entraîné obsolète ou beaucoup moins performant.

Généralisation difficile

Les modèles de WiFi sensing sont souvent fortement dépendants du contexte dans lequel ils ont été entraînés.

Ainsi, un modèle entraîné dans :

• une Maison A

peut fonctionner correctement dans cet environnement spécifique, mais présenter des performances dégradées lorsqu’il est appliqué dans :

• une Maison B

Cela est dû aux différences structurelles entre les environnements : matériaux, dimensions, disposition des pièces, présence d’objets, etc.

Multipath excessif

Dans certains environnements complexes, notamment :

• environnements industriels
• bâtiments métalliques
• zones très encombrées

les signaux radio subissent de nombreuses réflexions multiples. Ce phénomène, appelé multipath, peut devenir extrêmement dense et chaotique, rendant difficile l’extraction d’informations utiles.

Au lieu d’avoir quelques trajets dominants, le système doit traiter une superposition massive de réflexions, ce qui complique fortement l’analyse.

Calibration

Enfin, un autre problème majeur est la nécessité de calibration fréquente.

Dans de nombreux systèmes actuels, il est nécessaire de recalibrer régulièrement les modèles pour maintenir leur précision. Cela peut inclure :

• recalibrage des capteurs
• mise à jour des modèles statistiques
• adaptation à l’environnement en temps réel

Cette étape reste coûteuse et limite encore l’autonomie complète des systèmes dans des environnements dynamiques ou changeants.

---

24. WiFi 7 et futur du sensing

L’arrivée du WiFi 7 (IEEE 802.11be) représente une évolution majeure non seulement pour les performances réseau classiques, mais également pour les capacités de sensing radio avancé. En effet, les améliorations introduites dans cette génération ont un impact direct sur la précision, la stabilité et la richesse des informations exploitables pour l’analyse de l’environnement.

Parmi les principales innovations techniques, on retrouve :

• des canaux extrêmement larges allant jusqu’à 320 MHz, permettant une résolution fréquentielle beaucoup plus fine et donc une meilleure capacité à distinguer des variations subtiles dans le signal
• le MLO (Multi-Link Operation), qui permet d’utiliser simultanément plusieurs bandes de fréquences (2.4 GHz, 5 GHz, 6 GHz), améliorant ainsi la robustesse et la diversité des observations radio
• des améliorations du MIMO (Multiple Input Multiple Output), avec davantage d’antennes et une meilleure exploitation spatiale du signal
• une meilleure résolution temporelle, rendant possible la détection de phénomènes extrêmement rapides ou très fins dans le domaine du temps

Ces améliorations combinées ont des conséquences directes et profondes sur le WiFi sensing :

• la localisation devient plus précise, car la finesse temporelle et fréquentielle permet de mieux estimer les distances et les directions d’arrivée des signaux
• la détection biométrique est renforcée, avec une meilleure capacité à isoler des signaux faibles comme la respiration ou le rythme cardiaque
• l’imagerie RF gagne en précision, car les systèmes peuvent reconstruire des environnements avec une granularité plus élevée et moins d’ambiguïtés

En résumé, le WiFi 7 ne se contente pas d’améliorer les débits : il agit comme un catalyseur technologique qui rapproche encore davantage les systèmes WiFi des capacités d’un véritable capteur environnemental haute résolution.

---

25. Perspectives de recherche

Le domaine du WiFi sensing est actuellement en pleine expansion, et plusieurs axes de recherche particulièrement ambitieux sont en train de redéfinir ses limites théoriques et pratiques.

RF Foundation Models

L’une des directions les plus prometteuses est le développement de RF Foundation Models, c’est-à-dire des modèles fondamentaux entraînés sur de vastes quantités de données radio, à la manière des Large Language Models (LLM) dans le domaine du langage naturel.

L’idée est de créer des modèles capables de comprendre la structure profonde des signaux radio, indépendamment de la tâche spécifique (localisation, reconnaissance d’activité, imagerie, etc.). Ces modèles seraient pré-entraînés sur des données massives de type CSI, spectrogrammes, ou signaux bruts, puis adaptés à différentes applications avec un minimum de fine-tuning.

Cela permettrait de passer d’approches spécialisées et fragiles à des systèmes beaucoup plus généraux et robustes.

Fusion multimodale

Un autre axe majeur est la fusion multimodale, qui consiste à combiner plusieurs sources de données pour améliorer la compréhension globale de l’environnement.

Les modalités typiquement combinées incluent :

• WiFi sensing, pour les informations radio passives
• radar mmWave, pour des mesures plus précises de distance et de mouvement
• IMU (Inertial Measurement Units), présents dans les objets ou appareils mobiles, fournissant des données d’accélération et d’orientation
• caméras, qui apportent une information visuelle directe et riche

L’objectif de cette fusion est de compenser les limites de chaque modalité prise isolément. Par exemple, le WiFi peut fonctionner dans l’obscurité ou à travers les murs, tandis que les caméras offrent une meilleure compréhension visuelle mais sont sensibles aux occlusions.

Sensing généralisé

La vision à long terme de ces recherches est le développement d’un système de sensing généralisé, capable d’unifier toutes ces informations dans un seul modèle intelligent.

L’objectif est de construire une architecture unique capable de :

• localiser des personnes ou des objets dans un environnement
• classifier leurs activités ou comportements
• suivre leurs déplacements dans le temps
• reconnaître des situations complexes sans supervision spécifique

Le point clé est que ce système serait capable de fonctionner sans réentraînement spécifique pour chaque nouvelle tâche ou environnement, en s’appuyant sur une compréhension globale et transférable des signaux physiques.

Cette perspective rapproche le domaine du WiFi sensing d’une forme de “perception universelle”, où les ondes radio deviennent un véritable canal de compréhension du monde physique, au même titre que la vision ou l’audition pour les humains.

---

Conclusion

Le WiFi Sensing représente l’évolution naturelle des réseaux sans fil : les infrastructures WiFi ne servent plus uniquement à transporter de l’information, elles deviennent des capteurs distribués de l’environnement. Grâce à l’exploitation du multipath, du CSI, du Doppler et des architectures MIMO, il est désormais possible de détecter une présence, suivre des mouvements, reconnaître des activités humaines et même reconstruire des informations spatiales complexes sans caméra ni équipement porté par l’utilisateur.

L’arrivée de la norme IEEE 802.11bf devrait accélérer l’industrialisation de cette technologie. À moyen terme, les points d’accès WiFi pourraient devenir des capteurs omniprésents capables d’assurer simultanément connectivité, sécurité physique, domotique intelligente, surveillance médicale non intrusive et analyse comportementale. Pour les experts en cybersécurité, cette convergence ouvre également un nouveau champ de réflexion : la radiofréquence devient une source de données sensibles à part entière, dont la protection et la gouvernance seront bientôt aussi importantes que celles des flux réseau traditionnels.