Human Being Detection from UWB NLOS Signals: ricerca e pubblicazione

Nel febbraio 2022 è stata pubblicata su MDPI Sensors la mia ricerca sulla rilevazione di persone da segnali radar ultra-wideband (UWB) in condizioni di non-line-of-sight (NLOS). Questo articolo è il risultato di un progetto iniziato durante il master in Ingegneria Elettronica.

Il problema

Come rilevare la presenza di persone dietro ostacoli (muri, porte, materiali)? Le soluzioni tradizionali hanno limitazioni:

Telecamere → Privacy issues, non funzionano al buio
Sensori IR  → Falsi positivi, range limitato
PIR motion  → Solo movimento, non posizione
UWB radar   → Attraversa ostacoli, ma segnale rumoroso

La soluzione: Usare machine learning su segnali grezzi UWB per discriminare il rumore dalle vere riflessioni di persone.

Dataset e metodologia

Raccolta dati

Ambiente: Laboratorio controllato + ambienti reali
Ostacoli: Muri, porte, mobili, materiali diversi
Posizioni: 15+ configurazioni (distanza, angolo, orientamento)
Campioni: 5000+ misurazioni etichettate manualmente
Board: Decawave DW1000 (UWB standard IEEE 802.15.4a)

Feature engineering

Estrazione di features dai segnali grezzi:

Feature primarie:
├─ Ampiezza massima del segnale
├─ Energia totale della risposta
├─ First Path Index (FPI)
├─ Power Delay Profile
└─ Time-Domain Statistics

Feature secondarie:
├─ Range stimato
├─ Signal-to-Noise Ratio
└─ Caratteristiche di dispersione

Modelli testati

┌─────────────────────────┬──────────┬─────────┐
│ Modello                 │ Accuracy │ Latenza │
├─────────────────────────┼──────────┼─────────┤
│ Logistic Regression     │ 78%      │ 5ms     │
│ SVM (RBF)               │ 96%      │ 200ms   │
│ Neural Network          │ 97%      │ 500ms   │
│ Random Forest           │ 94%      │ 50ms  ✓ │
│ Gradient Boosting       │ 95%      │ 100ms   │
└─────────────────────────┴──────────┴─────────┘

Winner: Random Forest
├─ Miglior tradeoff accuracy/latenza
├─ Robusto a outliers
├─ Feature importance interpretabile
└─ Deployabile su embedded

Risultati principali

Accuracy per scenario

Linea di vista (LOS): 98% accuracy
└─ Condizione ideale, segnale chiaro

Non-linea di vista (NLOS):
├─ Muro in mattoni: 94% accuracy ✓
├─ Porta in legno: 92% accuracy
├─ Ostacoli metallici: 78% accuracy (challenging)
└─ Multipli ostacoli: 88% accuracy

Generalization

Uno dei risultati più importanti: il modello generalizza bene a:

Nuove posizioni non viste nel training
Orientamenti del corpo diversi
Ambienti simili ma non identici

Questo è cruciale per applicazioni real-world (non puoi ritrainare il modello ogni volta).

Applicazioni pratiche

Smart Buildings

Occupancy detection per HVAC ottimale
├─ Sala riunioni libera? → Spegni climatizzazione
├─ Persona dietro porta chiusa? → Accendi luce
└─ Nessuno da 30min? → Standby energetico

Sicurezza e Sorveglianza

Rilevamento perimetrale attraverso muri
├─ Bypass di ostacoli fisici
├─ Privacy-preserving (non immagini)
└─ Funziona al buio

Robottiche e Automazione Industriale

Robot collaborativo (cobot) che detecta persone vicine
├─ Safety senza contatto
├─ Funziona anche se la persona è dietro un ostacolo
└─ Più affidabile dei sensori IR

Limitazioni e lavori futuri

Limitazioni attuali:
├─ Non distingue numero di persone (solo presenza/assenza)
├─ Difficile con ostacoli metallici (high reflection)
├─ Distanza limitata (~10 metri)
└─ Richiede training set per ambiente specifico

Lavori futuri possibili:
├─ Conteggio di persone (multi-person detection)
├─ Stima della posizione (localization)
├─ Transfer learning tra ambienti diversi
└─ Integration con altri sensori (fusion)

Riferimento

📄 Human Being Detection from UWB NLOS Signals: Accuracy and Generality of Advanced Machine Learning Models

Autori: (Research team)
Rivista: MDPI Sensors
Data: Febbraio 2022
Volume/Issue: (32, 2)
DOI: 10.3390/s22041507

Link: Leggi l’articolo completo su MDPI

Questo progetto mi ha insegnato che la ricerca applicata richiede:

Dati di qualità (non solo quantità)
Rigorore scientifico (proper validation, generalization testing)
Focus su applicabilità (non solo accuracy alta)
Collaborazione tra domini (signal processing + ML + ingegneria)

La transizione da ricerca a prodotto richiede però anche ingegnerizzazione, robustezza, e considerazioni di costo - punti che ho approfondito successivamente in azienda.