La detección de armas de mano de WiFireNet funciona con Wi-Fi antiguo, pero su mejor resultado oculta la parte difícil

La detección de armas de mano de WiFireNet alcanzó una precisión media del 72,5% utilizando señales basadas en el estándar 802.11a de 1999. Ese resultado procedía de un experimento controlado en interiores con un máximo de cuatro personas en movimiento. Es un resultado de investigación intrigante, pero no demuestra que los routers convencionales puedan examinar espacios públicos de forma fiable.

Investigadores de la Agencia Sueca de Investigación para la Defensa, conocida como FOI, presentaron WiFireNet en un artículo enviado el 13 de octubre de 2026. Su modelo interpreta información del estado del canal, o CSI, que describe cómo un canal inalámbrico modifica una señal transmitida. El sistema intenta identificar a personas que portan armas de mano ocultas aprendiendo los patrones de radio producidos por cuerpos y objetos transportados.

El proyecto cuestiona la disyuntiva habitual entre cámaras y escáneres de control. Las cámaras no pueden ver un objeto oculto bajo la ropa, mientras que los detectores de metales obligan a las personas a pasar por carriles de revisión designados. WiFireNet explora una tercera vía: convertir las señales de radio que ya circulan por una sala en un sensor complementario.

La paradoja es que la configuración de Wi-Fi más antigua y sencilla produjo el resultado más sólido para armas de mano. Una configuración experimental ampliada recopiló más mediciones directas del canal, pero tuvo peor desempeño en la tarea de detección más amplia. Ese hallazgo hace el trabajo más interesante, pero también expone hasta qué punto el rendimiento depende de la sala, el conjunto de datos y el diseño de evaluación.

La detección de armas de mano de WiFireNet convierte mediciones de radio en predicciones visuales

El experimento de FOI no crea una imagen mediante Wi-Fi. Convierte las mediciones de radio en una representación que un detector de estilo visual puede procesar.

Los investigadores crearon el conjunto de datos WiFire registrando señales inalámbricas y vídeo RGB sincronizado mientras los participantes se movían por salas interiores. El vídeo proporcionó las etiquetas durante el entrenamiento y la evaluación. En la inferencia, el modelo final de WiFireNet operó únicamente con muestras CSI, según el artículo de WiFireNet.

El CSI contiene mediciones de amplitud y fase en distintas partes de un canal inalámbrico. La amplitud describe la intensidad de la señal, mientras que la fase registra la posición de una onda dentro de su ciclo. Juntas, esas mediciones reflejan la absorción, la dispersión y la propagación multitrayecto dentro de una sala.

La propagación multitrayecto ocurre cuando una señal llega a un receptor a través de varias rutas reflejadas. Una persona, pared, botella, teléfono o arma de mano puede alterar esas rutas. El modelo busca diferencias repetibles en las mediciones resultantes.

El equipo recopiló cuatro clases de objetos transportados: un arma de mano metálica desactivada, un arma de mano de plástico, una botella de agua metálica y un teléfono móvil. Estas elecciones generan confusión deliberada. La réplica de plástico comparte la forma general del arma de mano, mientras que la botella y el teléfono introducen materiales conocidos y perfiles de objetos transportados.

Como máximo, una persona en cada escena grabada portaba el arma de mano metálica desactivada. La zona de recopilación más grande medía 12 metros cuadrados y contenía entre cero y cuatro personas. Una segunda sala medía ocho metros cuadrados y no contenía más de dos personas.

Los investigadores utilizaron dos portátiles: uno conectado a transmisores y otro conectado a receptores. Una cámara USB conectada al ordenador receptor capturó vídeo para las anotaciones. El CSI llegaba en ráfagas a 80 Hz, mientras que la cámara grababa a 30 fotogramas por segundo.

Las configuraciones principales WiFi-regular y WiFi-plus contenían cada una unas 100.000 muestras CSI. La recopilación en la sala pequeña contenía unas 40.000 muestras. Se trata de observaciones de radio individuales, no de 240.000 salas, participantes o pruebas de despliegue independientes.

WiFireNet procesa las tres muestras CSI más recientes para cada predicción. Los autores describen esa entrada como una cobertura de 37,5 milisegundos. El modelo separa la fase de la amplitud y envía cada componente a través de su propio codificador convolucional.

Una red de traducción de modalidades remodela después las características combinadas en una representación espacial sintética. Esta representación crece a través de varias etapas de sobremuestreo hasta igualar las dimensiones de la imagen de la cámara. Es una superficie de coordenadas aprendida, no una fotografía reconstruida a partir de ondas de radio.

Una red piramidal de características examina esa superficie a múltiples escalas espaciales. Una red de propuestas de regiones sugiere posibles cuadros delimitadores, y una capa de detección los refina y clasifica. Estas partes toman ampliamente elementos de detectores de objetos establecidos en visión por computadora.

Por tanto, la cámara desempeña un papel importante aunque esté ausente durante la inferencia final. Un modelo de visión actúa como profesor durante el entrenamiento mediante destilación de conocimiento multimodal. Ese proceso anima a las características Wi-Fi a parecerse a características útiles extraídas de imágenes sincronizadas.

FOI ha publicado el código de código abierto del proyecto y ha lanzado el conjunto de datos WiFire. Esto ofrece a otros investigadores la oportunidad de inspeccionar el diseño, repetir los experimentos y probar divisiones de datos más exigentes.

El cambio inmediato no es un producto de seguridad desplegable. Es un paquete de investigación reproducible que plantea la detección de armas de mano ocultas como un problema dinámico de detección Wi-Fi con múltiples personas.

El resultado del 72,5% es precisión media, no una tasa de éxito de seguridad

La cifra principal mide el rendimiento de detección ordenado bajo una condición de evaluación. No significa que el sistema descarte o marque correctamente al 72,5% de las personas.

Para la configuración WiFi-regular, la precisión media de la clase de armas de mano alcanzó el 72,5% con un umbral de intersección sobre unión del 25%. Con un umbral más estricto del 50%, la puntuación para armas de mano cayó al 53,8%.

La intersección sobre unión, o IoU, mide cuánto se superpone un cuadro predicho con el cuadro etiquetado. Un umbral del 25% acepta una localización relativamente imprecisa. Un umbral del 50% exige una coincidencia más cercana entre la predicción y su referencia.

La precisión media combina precisión y exhaustividad entre distintos umbrales de confianza. Recompensa a un modelo que sitúa las detecciones correctas por encima de las falsas. No es intercambiable con la exactitud y no describe directamente la tasa de falsas alarmas de un control.

Esta distinción importa porque un sistema de seguridad desplegado opera con un umbral de alerta seleccionado. Los operadores necesitan saber a cuántas personas armadas no detecta y a cuántas personas desarmadas marca. El artículo informa métricas de investigación, no un umbral operativo elegido para el control público.

La cifra del 72,5% también cubre únicamente la clase de armas de mano. Cuando se incluyeron todas las clases, WiFi-regular produjo una precisión media promedio del 50,3% con un IoU del 25%. Ese resultado descendió al 47,1% con un IoU del 50%.

La exhaustividad para la misma configuración fue más alta. WiFi-regular informó una exhaustividad del 91,5% con un IoU del 25% y del 89,5% con un IoU del 50% en las clases evaluadas. Una alta exhaustividad puede coexistir con falsos positivos sustanciales, especialmente cuando los umbrales de confianza se ajustan para capturar más objetivos posibles.

El resultado más estricto para armas de mano es particularmente revelador. WiFireNet conservó evidencia de que había un portador de arma de mano, pero su ubicación predicha a menudo no coincidía estrechamente. El sistema asocia una detección con una región del espacio de imagen alrededor de una persona en lugar de identificar la posición exacta del arma.

Esta limitación no elimina el resultado subyacente. Detectar un arma de mano metálica oculta entre teléfonos, botellas y una réplica de plástico es más específico que detectar metal genérico. Los investigadores también fueron más allá de los experimentos estáticos con objetos aislados al registrar a varias personas en movimiento.

Sin embargo, el experimento siguió teniendo lugar dentro de dos salas pequeñas y controladas. La escena más grande cubría 12 metros cuadrados, un área menor que muchas oficinas, aulas o entradas de comercios. Su multitud máxima contenía cuatro personas.

Los entornos reales de control generan desequilibrios de clase más difíciles. La mayoría de las personas no portará un arma de mano, por lo que incluso una tasa modesta de falsos positivos puede generar muchas alertas. Los valores de precisión media publicados no responden cómo se comporta WiFireNet bajo ese desequilibrio operativo.

Los compradores de sistemas de seguridad también necesitarían resultados desglosados por ropa, posición corporal, dirección del movimiento, orientación del arma de mano y distancia. El artículo actual no establece un rendimiento consistente entre esas variables. Ofrece una base para pruebas posteriores.

La conclusión prudente es que la detección de armas de mano de WiFireNet encontró una estructura estadística utilizable en el CSI. El experimento no establece una probabilidad fiable de que una persona esté armada.

Esa diferencia separa un prometedor referente de aprendizaje automático de una decisión de seguridad. Un modelo puede funcionar lo bastante bien como para justificar más investigación y, al mismo tiempo, seguir siendo inseguro para un despliegue autónomo.

Más mediciones Wi-Fi produjeron peores resultados

El resultado más instructivo de WiFireNet no es su puntuación más alta. Es el fracaso de las mediciones adicionales y directas del canal para mejorar la detección.

El equipo recopiló datos con dos configuraciones de radio. WiFi-regular siguió la disposición estándar IEEE 802.11a y utilizó cuatro subportadoras piloto. Los valores de las 48 subportadoras restantes se obtuvieron mediante interpolación lineal.

En cambio, WiFi-plus utilizó 48 de las 52 subportadoras disponibles como pilotos. Esto proporcionó mediciones directas en el 92,3% de las subportadoras disponibles. La configuración pretendía ofrecer información de canal más densa y acercarse a la detección de estilo radar.

La expectativa simple es la siguiente: mediciones más ricas deberían facilitar la distinción de objetos. Los resultados no respaldaron esa expectativa. WiFi-plus alcanzó solo un 39,9% de precisión media promedio con un IoU del 25% y un 37,2% con un IoU del 50%.

WiFi-regular obtuvo un 50,3% y un 47,1% con esos mismos umbrales. Su resultado únicamente para armas de mano también lideró por un amplio margen. WiFi-plus informó una precisión media de armas de mano del 44,2% con ambos umbrales de IoU, frente al 72,5% y el 53,8% de WiFi-regular.

Los autores no afirman tener una explicación definitiva. Sugieren que el entorno de recopilación relativamente limpio generó menos reflexiones multitrayecto útiles. Los datos adicionales de subportadoras podrían importar más dentro de una sala compleja y abarrotada.

Las diferencias aleatorias entre conjuntos de datos son otra posibilidad. WiFi-regular y WiFi-plus se recopilaron como configuraciones separadas, por lo que su comparación no aísla la resolución de radio de todas las demás fuentes de variación. El artículo identifica el resultado como una cuestión para futuros trabajos.

Esta ambigüedad ilustra un desafío central de la detección Wi-Fi. Un mayor detalle de la señal no produce automáticamente información más transferible. Un sistema de aprendizaje puede explotar patrones vinculados a una sala, sesión de recopilación o ruta de hardware, en lugar de al objeto previsto.

Los resultados de la sala pequeña refuerzan ese problema. Su precisión media promedio de referencia alcanzó el 49,8% con un IoU del 25% y el 46,9% con un IoU del 50%. Estas cifras se acercaron mucho a WiFi-regular pese a utilizar la configuración WiFi-plus.

Los autores atribuyen la localización más sencilla en la sala más pequeña a reflexiones multitrayecto más fuertes procedentes de paredes cercanas. En otras palabras, la sala puede mejorar la detección al crear un conjunto más rico de rutas de radio.

Ese mecanismo también dificulta el despliegue. Mover muebles, abrir una puerta, añadir particiones o cambiar la densidad de la multitud puede remodelar esas rutas. Un modelo entrenado en una disposición puede encontrarse con una distribución de entrada diferente sin siquiera salir del edificio.

El propio diseño de la red produjo mejoras más claras. Sustituir el traductor de modalidades convolucional por un perceptrón multicapa con un número de parámetros equivalente redujo la precisión media promedio de WiFi-regular del 50,3% al 35,5% con un IoU del 25%.

Con un IoU del 50%, el mismo cambio redujo el rendimiento del 47,1% al 31,3%. La convolución parece ayudar a la red a captar la estructura local dentro de las entradas de fase y amplitud.

La destilación de conocimiento basada en visión también ayudó en algunas configuraciones. Eliminar esa pérdida redujo el rendimiento de WiFi-regular del 50,3% al 42,4% con un IoU del 25%. Con un IoU del 50%, el resultado descendió del 47,1% al 39,4%.

Sin embargo, la pérdida de destilación no mejoró WiFi-plus. Esa contribución desigual vuelve a sugerir un sistema cuyo comportamiento depende de las condiciones de recopilación.

Por tanto, el mecanismo principal es creíble, pero no está resuelto. El CSI contiene información relacionada con las personas y los objetos que portan. WiFireNet puede traducir parte de esa estructura en detecciones espaciales.

Lo que sigue sin conocerse es si la representación aprendida describe las armas cortas de forma general o memoriza correlaciones estables dentro de estas salas. Más subportadoras no resolvieron esa incertidumbre.

El verdadero adversario es la dependencia de la sala, no los detectores de metales

WiFireNet se entiende mejor como un experimento de detección complementaria cuyo principal obstáculo es la generalización ambiental.

El artículo sitúa la detección mediante Wi-Fi junto a las cámaras y los detectores de metales. Ese enfoque es razonable porque cada modalidad observa evidencias distintas. Las cámaras captan la apariencia, los detectores de metales reaccionan al material conductor y el CSI refleja cambios en un canal de radio.

Sin embargo, WiFireNet no compite actualmente con el hardware de control maduro en términos de fiabilidad. Su desafío más inmediato enfrenta el aprendizaje de señales específico de una sala con un detector que se generalice entre ubicaciones.

La configuración de entrenamiento hace que ese desafío sea especialmente importante. Los investigadores dividieron los conjuntos de datos a nivel de muestras individuales de CSI. La mitad de las muestras se destinó al entrenamiento y la otra mitad conformó el conjunto de prueba. El veinte por ciento de la parte de entrenamiento se utilizó como datos de validación.

Las muestras individuales registradas a 80 Hz pueden estar estrechamente relacionadas en el tiempo. Las observaciones vecinas pueden mostrar a las mismas personas, objetos, posiciones y estado de la sala. Por tanto, una división aleatoria a nivel de muestra puede situar momentos muy similares en lados opuestos de la frontera de entrenamiento.

El artículo sigue precedentes de investigaciones relacionadas sobre detección mediante Wi-Fi, pero eso no resuelve la cuestión del despliegue. Una evaluación más sólida excluiría participantes completos, sesiones de grabación, salas o configuraciones de hardware.

El estudio no informa de una evaluación que excluya salas completas. Tampoco describe pruebas del modelo entrenado dentro de un edificio desconocido. En consecuencia, las afirmaciones sobre el rendimiento en distribuciones no vistas siguen sin respaldo.

Tom’s Hardware señaló que el prototipo tiene dificultades en configuraciones interiores desconocidas. Esa limitación se deriva directamente del papel de la estructura de multitrayectoria. El entorno de radio no es ruido de fondo para WiFireNet; forma parte de la entrada del modelo.

Trabajos anteriores muestran que la idea general no es nueva. Un estudio de Wi-Fi comercial de 2018 exploró la detección no intrusiva de objetos metálicos ocultos. Otros proyectos han utilizado CSI para el reconocimiento de actividades humanas, la localización, la estimación de pose y el conteo de personas.

Un estudio revisado por pares sobre objetos ocultos, publicado en 2025, informó de una precisión del 87,5% para un arma real en pruebas en interiores. Ese proyecto clasificaba casos de cuerpo más arma, en lugar de producir las detecciones multipersona en coordenadas de imagen de WiFireNet.

Esas cifras no deben compararse directamente. La precisión y la precisión promedio miden comportamientos distintos, y los conjuntos de datos y los diseños de las escenas también difieren. Su coexistencia muestra que la detección de objetos basada en radio ha superado una única demostración de laboratorio.

WiFireNet hace avanzar esta línea de investigación mediante grupos dinámicos, objetos que generan confusión, detecciones espaciales y recursos públicos. Su conjunto de datos abierto también facilita un escrutinio independiente en comparación con un prototipo cerrado.

Aun así, el código público no puede compensar unos datos de entrenamiento limitados. Un modelo abierto puede inspeccionarse y ampliarse, pero hereda las condiciones representadas en sus grabaciones.

La expresión “Wi-Fi común” también requiere matices. El experimento utilizó una implementación modificada y de código abierto de IEEE 802.11a en GNU Radio. Operó a 5,68 GHz con 20 MHz de ancho de banda.

Esa configuración utiliza un estándar inalámbrico consolidado, pero no equivale a instalar una aplicación en cualquier router de consumo. Los despliegues necesitarían acceso compatible con CSI, una ubicación conocida del transmisor y receptor, temporización calibrada y software capaz de procesar las mediciones.

Las generaciones modernas de Wi-Fi pueden exponer canales más amplios y mediciones más detalladas. Esas capacidades ofrecen oportunidades de investigación, pero el propio resultado de WiFi-plus de WiFireNet advierte contra la suposición de que más datos garantizan una mejor detección.

El sistema obliga a los investigadores a resolver la generalización antes de debatir una adopción amplia. Aún no obliga a escuelas, aeropuertos u oficinas a sustituir su equipo de seguridad existente.

El código abierto ayuda a validar, pero también agudiza la cuestión de la privacidad

Un sistema que detecta objetos ocultos sin cámara puede reducir un riesgo para la privacidad al tiempo que crea otra forma de observación invisible.

WiFireNet no produce una fotografía reconocible durante la inferencia. Esa propiedad puede limitar la recopilación de rasgos faciales, detalles de la ropa y otra información visual. También permite la detección en la oscuridad o a través de oclusiones visuales.

Sin embargo, la privacidad no depende únicamente de si hay una cámara presente. Un sistema de radio aún puede inferir la presencia, el movimiento, la posición o las pertenencias de personas que nunca interactúan con él.

La detección mediante Wi-Fi puede ser difícil de advertir. Por lo general, las personas entienden que una cámara visible observa un espacio. Puede que no esperen que un punto de acceso y un receptor clasifiquen objetos bajo la ropa.

Esa discrepancia crea un problema de consentimiento. Un despliegue público requeriría normas claras sobre aviso, usos permitidos, conservación, acceso y revisión. También necesitaría procedimientos para impugnar una alerta.

Los falsos positivos implican más que una molestia en este contexto. Un sistema que etiqueta a alguien como posible portador de un arma corta puede desencadenar una respuesta de seguridad. Las consecuencias dependen de cómo los operadores interpreten las puntuaciones de confianza y las combinen con otras pruebas.

La investigación actual no justifica una intervención autónoma. WiFireNet no debería determinar la intención, la legalidad ni la identidad. Solo intenta clasificar patrones asociados con objetos portados dentro de su dominio experimental.

La distinción es especialmente importante en lugares donde existe el porte oculto legal. Una predicción de radio no puede determinar si alguien tiene autorización. Tampoco puede inferir por qué está presente un objeto.

Las pruebas de sesgo deberán extenderse más allá de las categorías demográficas convencionales. La propagación de radio puede cambiar según el tamaño corporal, la ropa, los accesorios, las ayudas de movilidad, los dispositivos electrónicos transportados y los patrones de movimiento. Una representación desigual podría producir tasas de alerta desiguales.

Las cuatro clases de objetos registradas representan un punto de partida bien pensado, pero los entornos públicos contienen mucha más variación. Paraguas, herramientas, cámaras, baterías externas, dispositivos médicos, ordenadores portátiles y grupos densos pueden crear firmas de radio desconocidas.

El comportamiento adversarial plantea otra cuestión sin respuesta. Una persona podría cambiar la orientación, la posición, el material de cobertura o la proximidad del arma corta a otros objetos metálicos. El artículo no evalúa intentos deliberados de eludir la detección.

Los operadores de infraestructura también deben considerar la ciberseguridad. Un sistema de detección depende de flujos de CSI fiables, dispositivos sincronizados, pesos entrenados y software de alertas. Mediciones manipuladas o modelos comprometidos podrían suprimir detecciones genuinas o fabricar alertas.

La publicación de código abierto permite una evaluación defensiva. Los investigadores pueden probar divisiones alternativas, inspeccionar el preprocesamiento, reproducir las ablaciones del modelo y buscar casos de fallo. Los equipos independientes también pueden determinar si las puntuaciones publicadas se mantienen con distinto hardware y salas.

La misma apertura reduce la barrera para experimentar fuera de instituciones formales. Eso no hace que la publicación sea inherentemente irresponsable, pero aumenta la importancia de la gobernanza junto con la validación técnica.

El modelo apropiado a corto plazo es la detección asistida. WiFireNet podría llegar a proporcionar otra señal al personal capacitado, junto con cámaras, controles físicos y juicio contextual. No debería tratarse como un sistema invisible de acusación automatizada.

Tres pruebas decidirán si WiFireNet sale del laboratorio

La siguiente fase necesita una validación más exigente, no simplemente una puntuación más alta obtenida con un estándar inalámbrico más reciente.

La primera señal que se debe observar es una evaluación que excluya participantes y sesiones completas. Los investigadores deberían entrenar con algunas personas y sesiones de grabación, y después probar con otras completamente separadas. Esto reduciría la posibilidad de que muestras vecinas o trayectorias repetidas inflen el rendimiento.

Un resultado sólido con esa división respaldaría la afirmación de que WiFireNet aprende patrones relacionados con objetos. Un descenso pronunciado mostraría que el modelo depende en gran medida de participantes, movimientos o condiciones de grabación observados durante el entrenamiento.

La segunda señal son las pruebas que excluyan salas completas. Un experimento útil entrenaría en varias salas y evaluaría dentro de otro edificio sin ajuste fino. Deberían variar los muebles, los materiales de las paredes, la ubicación del transmisor, la densidad de público y el tráfico inalámbrico no relacionado.

Esta prueba apunta al principal adversario del sistema: la dependencia ambiental. Un rendimiento estable reforzaría el argumento a favor de una detección Wi-Fi transferible. El fracaso limitaría la tecnología a instalaciones calibradas y específicas de cada lugar.

La tercera señal es un perfil de errores operativo con multitudes más grandes. Los investigadores deben informar de falsas alertas por persona o por hora en umbrales seleccionados. También deberían publicar tasas de omisión para diferentes posiciones del arma, tipos de ropa y patrones de movimiento.

Esa evidencia importa más que un único titular sobre precisión promedio. Los operadores de seguridad toman decisiones de umbral, y esas decisiones generan consecuencias prácticas. Un modelo con un rendimiento razonable en pruebas comparativas aún puede volverse inutilizable si las alertas llegan con demasiada frecuencia.

Los experimentos futuros también pueden examinar las capacidades de Wi-Fi 7 o del emergente Wi-Fi 8. Los canales más amplios y las mediciones espaciales adicionales podrían mejorar la resolución. El estudio actual no ofrece fundamento para asumir ese resultado, porque WiFi-plus ya produjo el resultado opuesto.

La reproducción independiente debería preceder al optimismo sobre el hardware. El modelo y los datos publicados permiten a equipos externos reconstruir el proceso publicado. El paso más valioso consiste en recopilar nuevos conjuntos de datos con dispositivos, salas y participantes distintos.

La detección de armas cortas de WiFireNet ha superado un importante umbral de investigación. Detectó evidencias asociadas con armas cortas ocultas en escenas interiores dinámicas y con varias personas utilizando únicamente CSI durante la inferencia.

No ha superado el umbral de despliegue. El sistema se probó en dos salas pequeñas, frente a cuatro clases de objetos y con divisiones de datos a nivel de muestra. Su cifra más alta también se debilitó bajo una localización más estricta.

Los desarrolladores e investigadores de seguridad deberían preguntarse ahora si la señal sobrevive a cambios que el modelo original nunca vio. ¿Puede generalizarse entre edificios, hardware, personas, ropa, desorden y multitudes más grandes sin recalibración constante?

Esas pruebas determinarán si WiFireNet se convierte en un sensor secundario útil o sigue siendo una referencia instructiva de laboratorio. Hasta entonces, su resultado del 72,5% debería abrir un programa de investigación, no un proceso de adquisición.