Wykrywanie broni krótkiej przez WiFireNet działa na starym Wi-Fi, ale najlepszy wynik skrywa trudniejszą część

Wykrywanie broni krótkiej przez WiFireNet osiągnęło średnią precyzję na poziomie 72,5% przy użyciu sygnałów opartych na standardzie 802.11a z 1999 roku. Wynik pochodził z kontrolowanego eksperymentu wewnątrz budynku, w którym poruszały się maksymalnie cztery osoby. To intrygujący rezultat badawczy, lecz nie dowód na to, że zwykłe routery mogą niezawodnie kontrolować przestrzenie publiczne.

Badacze ze Szwedzkiej Agencji Badań Obronnych, znanej jako FOI, przedstawili WiFireNet w pracy zgłoszonej 13 października 2026 roku. Ich model odczytuje informacje o stanie kanału, czyli CSI, które opisują, jak kanał bezprzewodowy zmienia transmitowany sygnał. System próbuje identyfikować osoby noszące ukrytą broń krótką, ucząc się wzorców radiowych tworzonych przez ciała i przenoszone przedmioty.

Projekt podważa typowy wybór między kamerami a skanerami w punktach kontroli. Kamery nie widzą przedmiotów ukrytych pod ubraniem, podczas gdy wykrywacze metalu ograniczają ludzi do wyznaczonych pasów kontroli. WiFireNet bada trzecią drogę: przekształcanie sygnałów radiowych już przemieszczających się po pomieszczeniu w dodatkowy czujnik.

Paradoks polega na tym, że starsza i prostsza konfiguracja Wi-Fi dała najlepszy wynik w wykrywaniu broni krótkiej. Rozszerzona konfiguracja eksperymentalna zbierała więcej bezpośrednich pomiarów kanału, ale wypadła gorzej w szerszym zadaniu detekcyjnym. To odkrycie czyni pracę ciekawszą, ale też pokazuje, jak silnie wydajność zależy od pomieszczenia, zbioru danych i projektu ewaluacji.

Wykrywanie broni krótkiej przez WiFireNet przekształca pomiary radiowe w predykcje wizualne

Eksperyment FOI nie tworzy obrazu za pomocą Wi‑Fi. Przekształca pomiary radiowe w reprezentację, którą może przetwarzać detektor w stylu systemów wizyjnych.

Badacze stworzyli zbiór danych WiFire, rejestrując sygnały bezprzewodowe i zsynchronizowane wideo RGB, gdy uczestnicy poruszali się po pomieszczeniach. Wideo dostarczało etykiet podczas treningu i ewaluacji. Według pracy o WiFireNet, podczas wnioskowania końcowy model WiFireNet działał wyłącznie na próbkach CSI.

CSI zawiera pomiary amplitudy i fazy w różnych częściach kanału bezprzewodowego. Amplituda opisuje siłę sygnału, a faza rejestruje pozycję fali w jej cyklu. Łącznie pomiary te odzwierciedlają absorpcję, rozpraszanie i propagację wielodrogową wewnątrz pomieszczenia.

Propagacja wielodrogowa występuje, gdy sygnał dociera do odbiornika kilkoma odbitymi trasami. Osoba, ściana, butelka, telefon lub broń krótka mogą zmieniać te trasy. Model wyszukuje powtarzalne różnice w uzyskanych pomiarach.

Zespół zebrał cztery klasy przenoszonych przedmiotów: zdezaktywowaną metalową broń krótką, plastikową broń krótką, metalową butelkę na wodę oraz telefon komórkowy. Wybory te celowo wprowadzają niejednoznaczność. Plastikowa replika ma ogólny kształt zbliżony do broni krótkiej, a butelka i telefon wprowadzają powszechne materiały oraz profile przenoszonych przedmiotów.

W każdej zarejestrowanej scenie zdezaktywowaną metalową broń krótką miała przy sobie najwyżej jedna osoba. Większy obszar zbierania danych miał 12 metrów kwadratowych i obejmował od zera do czterech osób. Drugie pomieszczenie miało osiem metrów kwadratowych i znajdowały się w nim maksymalnie dwie osoby.

Badacze użyli dwóch laptopów: jeden był podłączony do nadajników, a drugi do odbiorników. Kamera USB podłączona do komputera odbierającego rejestrowała wideo do adnotacji. CSI docierało seriami z częstotliwością 80 Hz, a kamera nagrywała z szybkością 30 klatek na sekundę.

Główne konfiguracje WiFi-regular i WiFi-plus zawierały po około 100 000 próbek CSI. Zbiór z małego pomieszczenia zawierał około 40 000 próbek. Są to pojedyncze obserwacje radiowe, a nie 240 000 niezależnych pomieszczeń, uczestników czy prób wdrożeniowych.

WiFireNet przetwarza trzy najnowsze próbki CSI dla każdej predykcji. Autorzy opisują ten zakres wejściowy jako obejmujący 37,5 milisekundy. Model oddziela fazę od amplitudy i przesyła każdy składnik przez własny konwolucyjny enkoder.

Sieć translacji modalności następnie przekształca połączone cechy w syntetyczną reprezentację przestrzenną. Reprezentacja ta jest powiększana przez kilka etapów upsamplingu, aż odpowiada wymiarom obrazu z kamery. To wyuczona powierzchnia współrzędnych, a nie fotografia odtworzona z fal radiowych.

Sieć piramidy cech analizuje tę powierzchnię w wielu skalach przestrzennych. Sieć propozycji regionów wskazuje możliwe ramki ograniczające, a głowica detekcyjna je dopracowuje i klasyfikuje. Te elementy w dużej mierze zapożyczają rozwiązania ze sprawdzonych detektorów obiektów w wizji komputerowej.

Kamera odgrywa zatem ważną rolę, choć nie występuje podczas końcowego wnioskowania. Model wizyjny działa podczas treningu jako nauczyciel poprzez destylację wiedzy między modalnościami. Proces ten zachęca cechy Wi‑Fi do przypominania użytecznych cech wyodrębnianych ze zsynchronizowanych obrazów.

FOI opublikowało kod open source projektu i udostępniło zbiór danych WiFire. Daje to innym badaczom możliwość sprawdzenia projektu, ponownego przeprowadzenia eksperymentów i testowania bardziej wymagających podziałów danych.

Bezpośrednim rezultatem nie jest gotowy do wdrożenia produkt bezpieczeństwa. Jest nim odtwarzalny pakiet badawczy, który ujmuje wykrywanie ukrytej broni krótkiej jako dynamiczny, wieloosobowy problem wykrywania za pomocą Wi‑Fi.

Wynik 72,5% to średnia precyzja, a nie wskaźnik sukcesu systemu bezpieczeństwa

Liczba z nagłówka mierzy skuteczność uszeregowanej detekcji w jednym warunku ewaluacji. Nie oznacza, że system prawidłowo przepuszcza lub oznacza 72,5% osób.

Dla konfiguracji WiFi-regular średnia precyzja dla klasy broni krótkiej osiągnęła 72,5% przy progu intersection-over-union wynoszącym 25%. Przy bardziej rygorystycznym progu 50% wynik dla broni krótkiej spadł do 53,8%.

Intersection over union, czyli IoU, mierzy, w jakim stopniu przewidywana ramka pokrywa się z oznaczoną ramką. Próg 25% akceptuje stosunkowo luźną lokalizację. Próg 50% wymaga bliższego dopasowania między predykcją a jej odniesieniem.

Średnia precyzja łączy precyzję i czułość przy różnych progach ufności. Nagradza model, który klasyfikuje prawidłowe detekcje wyżej niż fałszywe. Nie jest to miara tożsama z dokładnością i nie opisuje bezpośrednio wskaźnika fałszywych alarmów w punkcie kontroli.

To rozróżnienie ma znaczenie, ponieważ wdrożony system bezpieczeństwa działa przy wybranym progu alarmowym. Operatorzy muszą wiedzieć, ilu uzbrojonych ludzi system przeocza i ilu nieuzbrojonych oznacza. Praca przedstawia metryki badawcze, a nie próg operacyjny dobrany do kontroli publicznej.

Wartość 72,5% obejmuje również wyłącznie klasę broni krótkiej. Po uwzględnieniu wszystkich klas WiFi-regular osiągnęło średnią średnią precyzję 50,3% przy IoU na poziomie 25%. Wynik ten spadł do 47,1% przy IoU wynoszącym 50%.

Czułość dla tej samej konfiguracji była wyższa. WiFi-regular zgłosiło 91,5% czułości przy IoU 25% i 89,5% przy IoU 50% dla ocenianych klas. Wysoka czułość może współistnieć ze znaczną liczbą fałszywych trafień, zwłaszcza gdy progi ufności są dostosowywane tak, by wychwycić więcej możliwych celów.

Bardziej rygorystyczny wynik dla broni krótkiej jest szczególnie wymowny. WiFireNet zachował dowody na obecność osoby niosącej broń krótką, ale przewidywana lokalizacja często nie była wystarczająco blisko właściwej. System wiąże detekcję z obszarem przestrzeni obrazu wokół osoby, zamiast identyfikować dokładne położenie broni.

Ograniczenie to nie przekreśla podstawowego wyniku. Wykrycie ukrytej metalowej broni krótkiej wśród telefonów, butelek i plastikowej repliki jest bardziej szczegółowe niż wykrywanie ogólnej obecności metalu. Badacze wyszli także poza statyczne eksperymenty z odizolowanymi obiektami, rejestrując wiele poruszających się osób.

Eksperyment nadal odbywał się jednak w dwóch małych, kontrolowanych pomieszczeniach. Większa scena obejmowała 12 metrów kwadratowych, czyli powierzchnię mniejszą niż wiele biur, sal lekcyjnych czy wejść do sklepów. Maksymalny tłum liczył cztery osoby.

Rzeczywiste środowiska kontroli generują trudniejsze nierównowagi klas. Większość ludzi nie będzie nosić broni krótkiej, dlatego nawet umiarkowany wskaźnik fałszywych trafień może generować wiele alarmów. Opublikowane wartości średniej precyzji nie odpowiadają na pytanie, jak WiFireNet zachowuje się przy takiej nierównowadze operacyjnej.

Nabywcy systemów bezpieczeństwa potrzebowaliby również wyników rozbitych według ubioru, pozycji ciała, kierunku ruchu, orientacji broni krótkiej i odległości. Obecna praca nie potwierdza spójnej skuteczności dla tych zmiennych. Oferuje punkt odniesienia do dalszych testów.

Ostrożny wniosek jest taki, że wykrywanie broni krótkiej przez WiFireNet znalazło użyteczną strukturę statystyczną w CSI. Eksperyment nie ustala wiarygodnego prawdopodobieństwa, że dana osoba jest uzbrojona.

Ta różnica oddziela zachęcający benchmark uczenia maszynowego od decyzji dotyczącej bezpieczeństwa. Model może działać wystarczająco dobrze, by uzasadniać dalsze badania, a jednocześnie pozostawać niebezpieczny w autonomicznym wdrożeniu.

Więcej pomiarów Wi-Fi przyniosło gorsze wyniki

Najbardziej pouczającym wynikiem WiFireNet nie jest jego najwyższy wynik. Jest nim fakt, że dodatkowe bezpośrednie pomiary kanału nie poprawiły detekcji.

Zespół zbierał dane w dwóch konfiguracjach radiowych. WiFi-regular stosowało standardowy układ IEEE 802.11a i używało czterech podnośnych pilotowych. Wartości dla pozostałych 48 podnośnych uzyskiwano metodą interpolacji liniowej.

WiFi-plus używało natomiast 48 z 52 dostępnych podnośnych jako pilotowych. Zapewniało to bezpośrednie pomiary na 92,3% dostępnych podnośnych. Konfiguracja miała dostarczać gęstszych informacji o kanale i zbliżać się do wykrywania w stylu radarowym.

Proste oczekiwanie jest następujące: bogatsze pomiary powinny ułatwiać rozróżnianie obiektów. Wyniki nie potwierdziły tego założenia. WiFi-plus osiągnęło jedynie 39,9% średniej średniej precyzji przy IoU 25% i 37,2% przy IoU 50%.

WiFi-regular uzyskało 50,3% i 47,1% przy tych samych progach. Jego wynik wyłącznie dla broni krótkiej także wyraźnie prowadził. WiFi-plus zgłosiło średnią precyzję dla broni krótkiej na poziomie 44,2% przy obu progach IoU, wobec 72,5% i 53,8% dla WiFi-regular.

Autorzy nie twierdzą, że mają definitywne wyjaśnienie. Sugerują, że stosunkowo czyste środowisko zbierania danych generowało mniej użytecznych odbić wielodrogowych. Dodatkowe dane z podnośnych mogłyby mieć większe znaczenie w złożonym, zagraconym pomieszczeniu.

Inną możliwością są losowe różnice między zbiorami danych. WiFi-regular i WiFi-plus zbierano jako odrębne konfiguracje, więc ich porównanie nie izoluje rozdzielczości radiowej od wszystkich pozostałych źródeł zmienności. Praca wskazuje ten wynik jako pytanie do przyszłych badań.

Ta niejednoznaczność pokazuje centralne wyzwanie wykrywania za pomocą Wi‑Fi. Więcej szczegółów sygnału nie przekłada się automatycznie na więcej informacji możliwych do przeniesienia. System uczący się może wykorzystywać wzorce związane z pomieszczeniem, sesją zbierania danych lub ścieżką sprzętową, a nie z zamierzonym obiektem.

Wyniki z małego pomieszczenia wzmacniają ten problem. Jego bazowa średnia średnia precyzja osiągnęła 49,8% przy IoU 25% i 46,9% przy IoU 50%. Wartości te były zbliżone do WiFi-regular, mimo użycia konfiguracji WiFi-plus.

Autorzy przypisują łatwiejszą lokalizację w mniejszym pomieszczeniu silniejszym odbiciom wielodrogowym od pobliskich ścian. Innymi słowy, pomieszczenie może poprawiać wykrywanie, tworząc bogatszy zestaw ścieżek radiowych.

Mechanizm ten jednocześnie utrudnia wdrożenie. Przesunięcie mebli, otwarcie drzwi, dodanie przegród lub zmiana gęstości tłumu mogą przekształcić te ścieżki. Model wytrenowany w jednym układzie może napotkać inny rozkład danych wejściowych bez opuszczania budynku.

Sam projekt sieci przyniósł wyraźniejsze korzyści. Zastąpienie konwolucyjnego translatora modalności wielowarstwowym perceptronem o dopasowanej liczbie parametrów obniżyło średnią precyzję WiFi-regular z 50,3% do 35,5% przy IoU 25%.

Przy IoU 50% ta sama zmiana obniżyła wydajność z 47,1% do 31,3%. Konwolucja najwyraźniej pomaga sieci uchwycić lokalną strukturę danych wejściowych fazy i amplitudy.

Destylacja wiedzy oparta na danych wizualnych również pomogła w części konfiguracji. Usunięcie tej funkcji straty obniżyło wydajność WiFi-regular z 50,3% do 42,4% przy IoU 25%. Przy IoU 50% wynik spadł z 47,1% do 39,4%.

Jednak funkcja straty destylacji nie poprawiła wyników WiFi-plus. Ten nierównomierny wkład ponownie sugeruje, że zachowanie systemu zależy od warunków zbierania danych.

Główny mechanizm jest zatem wiarygodny, ale wciąż nie w pełni rozstrzygnięty. CSI zawiera informacje związane z ludźmi i przenoszonymi przez nich przedmiotami. WiFireNet potrafi przekształcić część tej struktury w przestrzenne detekcje.

Nie wiadomo natomiast, czy wyuczona reprezentacja opisuje broń krótką w szerokim ujęciu, czy zapamiętuje stabilne korelacje występujące w tych pomieszczeniach. Większa liczba podnośnych nie rozwiała tej niepewności.

Prawdziwym przeciwnikiem jest zależność od pomieszczenia, a nie wykrywacze metalu

WiFireNet najlepiej rozumieć jako eksperyment z uzupełniającym systemem sensorycznym, którego główną przeszkodą jest generalizacja środowiskowa.

Artykuł zestawia wykrywanie za pomocą Wi‑Fi z kamerami i wykrywaczami metalu. Takie ujęcie jest uzasadnione, ponieważ każda modalność dostrzega inne dowody. Kamery rejestrują wygląd, wykrywacze metalu reagują na materiał przewodzący, a CSI odzwierciedla zmiany w kanale radiowym.

WiFireNet nie konkuruje jednak obecnie pod względem niezawodności z dojrzałym sprzętem do kontroli bezpieczeństwa. Jego bardziej bezpośrednim wyzwaniem jest rozstrzygnięcie między uczeniem sygnałów specyficznych dla danego pomieszczenia a detektorem generalizującym między lokalizacjami.

Konfiguracja treningu czyni to wyzwanie szczególnie istotnym. Badacze podzielili zbiory danych na poziomie pojedynczych próbek CSI. Połowa próbek trafiła do treningu, a druga połowa utworzyła zbiór testowy. Dwadzieścia procent części treningowej wykorzystano jako dane walidacyjne.

Pojedyncze próbki rejestrowane z częstotliwością 80 Hz mogą być ściśle powiązane w czasie. Sąsiednie obserwacje mogą przedstawiać te same osoby, przedmioty, pozycje i stan pomieszczenia. Losowy podział na poziomie próbek może zatem umieścić bardzo podobne momenty po przeciwnych stronach granicy treningowej.

Artykuł opiera się na precedensach z pokrewnych badań nad wykrywaniem za pomocą Wi‑Fi, ale nie rozstrzyga to kwestii wdrożenia. Mocniejsza ewaluacja wyłączyłaby z treningu całych uczestników, sesje nagraniowe, pomieszczenia lub konfiguracje sprzętowe.

Badanie nie przedstawia ewaluacji z wyłączonymi pomieszczeniami. Nie opisuje też testowania wytrenowanego modelu w nieznanym budynku. W rezultacie twierdzenia dotyczące wydajności w niewidzianych układach pozostają niepotwierdzone.

Tom’s Hardware zauważył, że prototyp ma trudności w nieznanych konfiguracjach wnętrz. Ograniczenie to wynika bezpośrednio z roli struktury wielodrogowej. Środowisko radiowe nie jest dla WiFireNet szumem tła; stanowi część danych wejściowych modelu.

Wcześniejsze prace pokazują, że szersza idea nie jest nowa. Badanie komercyjnego Wi‑Fi z 2018 roku analizowało nieinwazyjne wykrywanie ukrytych metalowych przedmiotów. Inne projekty wykorzystywały CSI do rozpoznawania aktywności człowieka, lokalizacji, estymacji pozy oraz liczenia osób.

Recenzowane badanie dotyczące ukrytych przedmiotów, opublikowane w 2025 roku, zgłosiło dokładność 87,5% dla prawdziwej broni palnej w testach wewnętrznych. Projekt ten klasyfikował przypadki osoba-plus-broń, zamiast generować wieloosobowe detekcje w współrzędnych obrazu, jak WiFireNet.

Tych wyników nie należy bezpośrednio porównywać. Dokładność i średnia precyzja mierzą odmienne zachowania, a różnią się również zbiory danych i projekty scen. Ich współistnienie pokazuje, że radiowe wykrywanie obiektów wykroczyło poza pojedynczą demonstrację laboratoryjną.

WiFireNet rozwija ten kierunek badań dzięki dynamicznym grupom, mylącym przedmiotom, detekcjom przestrzennym i publicznie dostępnym materiałom. Jego otwarty zbiór danych ułatwia również niezależną kontrolę w porównaniu z zamkniętym prototypem.

Mimo to publicznie dostępny kod nie może zrekompensować wąskich danych treningowych. Otwarty model można badać i rozwijać, lecz dziedziczy on warunki reprezentowane w swoich nagraniach.

Określenie „zwykłe Wi‑Fi” również wymaga zastrzeżenia. Eksperyment wykorzystywał zmodyfikowaną, otwartoźródłową implementację IEEE 802.11a w GNU Radio. Działał on przy 5,68 GHz z pasmem 20 MHz.

Konfiguracja ta wykorzystuje uznany standard bezprzewodowy, lecz nie jest równoznaczna z zainstalowaniem aplikacji na dowolnym routerze konsumenckim. Wdrożenia wymagałyby zgodnego dostępu do CSI, znanego rozmieszczenia nadajnika i odbiornika, skalibrowanego czasu oraz oprogramowania zdolnego do przetwarzania pomiarów.

Nowoczesne generacje Wi‑Fi mogą udostępniać szersze kanały i bardziej szczegółowe pomiary. Możliwości te stwarzają okazje badawcze, lecz własny wynik WiFi-plus ostrzega przed założeniem, że większa ilość danych gwarantuje lepsze wykrywanie.

System wywiera presję na badaczy, by rozwiązali problem generalizacji, zanim zaczną mówić o powszechnym wdrożeniu. Nie wywiera jeszcze presji na szkoły, lotniska ani biura, by zastępowały istniejący sprzęt ochronny.

Open source pomaga w walidacji, ale wyostrza też kwestię prywatności

System wykrywający ukryte przedmioty bez kamery może ograniczyć jedno ryzyko dla prywatności, jednocześnie tworząc inną formę niewidocznej obserwacji.

WiFireNet nie tworzy podczas wnioskowania rozpoznawalnego zdjęcia. Ta właściwość może ograniczać zbieranie informacji o wyglądzie twarzy, szczegółach ubioru i innych danych wizualnych. Umożliwia też wykrywanie w ciemności lub przy wizualnym zasłonięciu.

Prywatność nie zależy jednak wyłącznie od obecności kamery. System radiowy nadal może wnioskować o obecności, ruchu, pozycji lub posiadanych przedmiotach osób, które nigdy z nim nie wchodzą w interakcję.

Wykrywanie za pomocą Wi‑Fi może być trudne do zauważenia. Ludzie zazwyczaj rozumieją, że widoczna kamera obserwuje daną przestrzeń. Mogą nie oczekiwać, że punkt dostępowy i odbiornik będą klasyfikować przedmioty pod ubraniem.

Ta rozbieżność tworzy problem zgody. Publiczne wdrożenie wymagałoby jasnych zasad dotyczących informowania, dozwolonych zastosowań, retencji, dostępu i kontroli. Potrzebne byłyby również procedury kwestionowania alertu.

W tym kontekście fałszywe pozytywy niosą więcej niż tylko niedogodność. System oznaczający kogoś jako możliwego nosiciela broni krótkiej może wywołać reakcję służb ochrony. Konsekwencje zależą od tego, jak operatorzy interpretują wyniki pewności i łączą je z innymi dowodami.

Obecne badania nie uzasadniają autonomicznej interwencji. WiFireNet nie powinien określać zamiaru, legalności ani tożsamości. Próbuje jedynie klasyfikować wzorce związane z przenoszonymi przedmiotami w obrębie swojej domeny eksperymentalnej.

To rozróżnienie jest szczególnie ważne w miejscach, w których dozwolone jest legalne ukryte noszenie broni. Predykcja radiowa nie może ustalić, czy dana osoba ma uprawnienia. Nie może też wywnioskować, dlaczego przedmiot się tam znajduje.

Testowanie uprzedzeń będzie musiało wykraczać poza konwencjonalne kategorie demograficzne. Propagacja fal radiowych może zmieniać się wraz z rozmiarem ciała, ubraniem, akcesoriami, pomocami mobilności, przenoszoną elektroniką i wzorcami ruchu. Nierówna reprezentacja może prowadzić do nierównych wskaźników alertów.

Cztery zarejestrowane klasy przedmiotów stanowią przemyślany punkt wyjścia, lecz środowiska publiczne obejmują znacznie większą różnorodność. Parasole, narzędzia, kamery, akumulatory, urządzenia medyczne, laptopy i gęste grupy mogą tworzyć nieznane sygnatury radiowe.

Zachowania antagonistyczne stanowią kolejne nierozstrzygnięte pytanie. Osoba może zmienić orientację, pozycję, materiał osłaniający broń krótką albo jej bliskość względem innych metalowych przedmiotów. Artykuł nie ocenia celowych prób obejścia wykrywania.

Operatorzy infrastruktury muszą również uwzględnić cyberbezpieczeństwo. System sensoryczny zależy od zaufanych strumieni CSI, zsynchronizowanych urządzeń, wytrenowanych wag i oprogramowania do obsługi alertów. Zmanipulowane pomiary lub skompromitowane modele mogłyby tłumić prawdziwe detekcje albo generować alerty.

Udostępnienie kodu open source wspiera ocenę defensywną. Badacze mogą testować alternatywne podziały, analizować wstępne przetwarzanie, odtwarzać ablacjacje modelu i szukać przypadków błędów. Niezależne zespoły mogą też ustalić, czy opublikowane wyniki utrzymują się przy innym sprzęcie i w innych pomieszczeniach.

Ta sama otwartość obniża barierę eksperymentowania poza formalnymi instytucjami. Nie czyni to publikacji z natury nieodpowiedzialną, lecz zwiększa znaczenie zarządzania równolegle z walidacją techniczną.

Właściwym modelem krótkoterminowym jest wspomagane wykrywanie. WiFireNet mógłby ostatecznie dostarczać kolejny sygnał przeszkolonemu personelowi, obok kamer, kontroli fizycznej i oceny kontekstowej. Nie powinien być traktowany jako niewidzialny, zautomatyzowany system oskarżeń.

Trzy testy zdecydują, czy WiFireNet opuści laboratorium

Kolejna faza wymaga trudniejszej walidacji, a nie tylko wyższego wyniku uzyskanego dzięki nowszemu standardowi bezprzewodowemu.

Pierwszym sygnałem, który należy obserwować, jest ewaluacja z wyłączonymi uczestnikami i sesjami. Badacze powinni trenować na części osób i sesji nagraniowych, a następnie testować na całkowicie odrębnych. Zmniejszyłoby to ryzyko, że sąsiadujące próbki lub powtarzane trajektorie zawyżają wydajność.

Mocny wynik przy takim podziale wspierałby twierdzenie, że WiFireNet uczy się wzorców związanych z przedmiotami. Gwałtowny spadek pokazałby, że model w dużym stopniu opiera się na uczestnikach, ruchach lub warunkach nagrywania obserwowanych podczas treningu.

Drugim sygnałem są testy z wyłączonymi pomieszczeniami. Przydatny eksperyment obejmowałby trening w kilku pomieszczeniach i ocenę w innym budynku bez dostrajania. Powinny zmieniać się meble, materiały ścian, rozmieszczenie nadajników, gęstość tłumu i niepowiązany ruch bezprzewodowy.

Test ten jest wymierzony w głównego przeciwnika systemu: zależność środowiskową. Stabilna wydajność wzmocniłaby argument za przenośnym wykrywaniem opartym na Wi‑Fi. Niepowodzenie ograniczyłoby technologię do skalibrowanych instalacji specyficznych dla danego miejsca.

Trzecim sygnałem jest operacyjny profil błędów dla większych tłumów. Badacze muszą raportować liczbę fałszywych alertów na osobę lub na godzinę przy wybranych progach. Powinni również publikować wskaźniki przeoczeń dla różnych pozycji broni, typów ubioru i wzorców ruchu.

Te dane są ważniejsze niż pojedynczy nagłówek dotyczący średniej precyzji. Operatorzy ochrony podejmują decyzje dotyczące progów, a decyzje te wywołują praktyczne konsekwencje. Model o rozsądnej wydajności benchmarkowej może mimo to stać się bezużyteczny, jeśli alerty pojawiają się zbyt często.

Przyszłe eksperymenty mogą również badać możliwości Wi‑Fi 7 lub nadchodzącego Wi‑Fi 8. Szersze kanały i dodatkowe pomiary przestrzenne mogą poprawić rozdzielczość. Obecne badanie nie daje podstaw do zakładania takiego wyniku, ponieważ WiFi-plus już przyniósł rezultat przeciwny.

Niezależne odtworzenie powinno poprzedzać optymizm sprzętowy. Udostępniony model i dane pozwalają zewnętrznym zespołom zrekonstruować opublikowany proces. Cenniejszym krokiem jest zebranie nowych zbiorów danych z użyciem innych urządzeń, pomieszczeń i uczestników.

Wykrywanie broni krótkiej przez WiFireNet przekroczyło istotny próg badawczy. System wykrył sygnały związane z ukrytą bronią krótką w dynamicznych, wieloosobowych scenach wewnętrznych, wykorzystując podczas wnioskowania wyłącznie CSI.

Nie przekroczył jednak progu wdrożeniowego. System testowano w dwóch małych pomieszczeniach, względem czterech klas przedmiotów i z podziałami danych na poziomie próbek. Jego najlepszy wynik osłabł także przy bardziej rygorystycznej lokalizacji.

Deweloperzy i badacze bezpieczeństwa powinni teraz zapytać, czy sygnał przetrwa zmiany, których pierwotny model nigdy nie widział. Czy może generalizować między budynkami, sprzętem, ludźmi, ubraniami, bałaganem i większymi tłumami bez ciągłej rekalibracji?

Te testy określą, czy WiFireNet stanie się użytecznym czujnikiem dodatkowym, czy pozostanie pouczającym benchmarkiem laboratoryjnym. Do tego czasu jego wynik 72,5% powinien otwierać program badawczy, a nie proces zakupowy.