В 1939 году, в одиннадцатом выпуске комикса Action Comics, Супермен впервые продемонстрировал способность видеть сквозь стены — эту суперспособность назвали рентгеновским зрением. Проблема в том, что реальный рентген для подобного трюка не годится: всё, что толще и плотнее человеческой кожи, становится непреодолимым препятствием для этих лучей. И тем не менее оказалось, что нечто очень похожее на рентгеновское зрение Супермена вполне реализуемо в реальности — только вместо трико супергероя понадобится куда более прозаичный предмет: обычный Wi-Fi-роутер.

Звучит эффектно, но как это вообще работает? Разве можно увидеть что-то сквозь стену с помощью Wi-Fi? Оказывается, можно — и это не досужие фантазии, а результат серьёзной научной работы: американские исследователи из Массачусетского технологического института (MIT) и Университета Карнеги — Меллона в своих работах убедительно показали, что это более чем возможно.

Растянувшаяся на несколько лет серия исследований, множество экспериментов и, конечно, хитро настроенные нейронные сети привели к появлению весьма занятной технологии, выросшей из самого обычного Wi-Fi. Разберёмся, как именно она работает и стоит ли всерьёз опасаться, что соседи смогут подглядывать за вами с помощью беспроводной сети.

С чего вообще можно начать, если хочется увидеть сквозь стену

Прежде чем переходить к Wi-Fi, стоит понять, как в принципе можно увидеть что-то сквозь непрозрачную преграду. Ближайшее из того, что уже существует и хорошо знакомо по кино, — это тепловизоры. В фильмах герои нередко «просвечивают» целое здание тепловизором и видят всех находящихся внутри людей. К сожалению, в реальной жизни это работает далеко не так эффектно: у тепловизоров очень небольшой угол обзора, так что охватить одним взглядом целое здание попросту не получится.

Но почему тепловизор вообще способен «видеть» людей сквозь преграды? Дело в том, что каждый человек излучает тепловые волны — мы их не видим, а лишь ощущаем, да и то не на расстоянии. Эти волны свободно проникают через непрозрачные препятствия, и именно их регистрирует тепловизор. Значит, фундаментально нужно что-то похожее, но проще и дешевле: некая волна, способная беспрепятственно проходить сквозь преграды, изменения которой при этом можно отслеживать.

Здесь и приходят на помощь радиоволны — ещё один вид излучения, не связанный с теплом, но точно так же способный проникать сквозь препятствия. Если бы радиоволны не обладали этим свойством, у нас не было бы ни FM-радио, ни Bluetooth, ни того же Wi-Fi. Это первая важная зацепка. Однако радиоволны бывают очень разными и отличаются друг от друга по частоте — от крайне низких (порядка 3 Гц) до сверхвысоких (300 ГГц и выше). Вдаваться в физику процесса на уровне отдельных частиц здесь не нужно — достаточно запомнить общее правило: чем выше частота волны, тем труднее ей проходить сквозь стены и тем сильнее теряется сигнал. Это касается не только радиоволн, но и звуковых: наверняка каждый замечал, что низкие басы прекрасно слышны сквозь стену — а вот сосед с дрелью по субботам слышен ещё лучше.

С другой стороны, для решаемой задачи нужно, чтобы волна при прохождении сквозь препятствие всё-таки заметно изменялась — иначе просто не получится понять, было ли на её пути препятствие вообще. Именно поэтому, например, обычные FM-волны для такой задачи не годятся: они проходят сквозь стены слишком уж беспрепятственно, почти не меняясь.

2015 год: как в MIT научились определять человека в комнате с помощью Wi-Fi

История начинается в 2015 году, в стенах Массачусетского технологического института. Именно тогда исследователи под руководством профессора Дины Катаби обратили внимание на высокочастотные радиоволны, которые буквально окружают нас повсюду и не требуют дорогого специализированного оборудования, — а именно на Wi-Fi, если точнее, на стандарт Wi-Fi 4, работающий на частоте 2,4 ГГц. На основе этого стандарта была создана технология, позволяющая определять местоположение человека в комнате. Разработку назвали Wi-Vi — сокращение от «Wi-Fi Vision», то есть «беспроводное зрение». Это, разумеется, ещё не полноценное рентгеновское зрение, но вполне обоснованно можно назвать её первым практическим шагом к нему.

Разберём принцип действия. Любой Wi-Fi-роутер или другое подобное устройство создаёт радиоволну, а смартфон эту волну принимает — и обратно посылает волну, несущую данные, например забавную картинку с котиком. Сама картинка, разумеется, никак не изменится, даже если между роутером и смартфоном окажется хоть пять стен подряд. А вот сама несущая волна изменится вполне заметно: сигнал станет слабее. Мощность Wi-Fi-сигнала измеряется в децибел-милливаттах, сокращённо dBm; это значение всегда отрицательное, причём около –30 dBm считается практически идеальным показателем, а –90 dBm означает фактическую потерю сигнала.

На мощность сигнала влияет буквально всё, что угодно, — и именно на этом строится вся идея исследования: любое препятствие любого размера и формы в пределах зоны покрытия сети так или иначе меняет сигнал. Убедиться в этом можно самостоятельно, установив на смартфон любое приложение для измерения уровня Wi-Fi-сигнала: даже если просто поставить руку между роутером и телефоном, показатели заметно изменятся. Получается, что по изменению мощности сигнала можно отслеживать изменения в окружающем пространстве. Правда, с одной важной оговоркой: точность подобного метода сама по себе крайне невысокая — по одному лишь показателю мощности можно понять разве что «есть препятствие или нет», не более того.

Чтобы отслеживать изменения куда точнее, нужно уже несколько передатчиков — так можно следить сразу за несколькими сигналами одновременно. В исследовании решили использовать несколько антенн для отправки сигнала и одну — для его получения. В обычных условиях между источником и приёмником Wi-Fi-сигнала находится множество препятствий: мебель, стены, другие устройства. Поэтому нужно было добиться того, чтобы все эти «фоновые» препятствия не мешали обнаруживать именно человека в поле действия сигнала. Для этого антенны-источники настроили таким образом, чтобы итоговый сигнал был равен нулю, если в отслеживаемой комнате никого нет. А как только в комнату кто-то заходит, сигнал меняется — потому что человек вносит изменения в распространение волны: часть её проходит сквозь тело, часть отражается, причём происходит это по-разному в зависимости от расстояния до источника сигнала — чем дальше находится человек, тем сильнее гасится сигнал. Значит, по характеру этих изменений можно определить, на каком расстоянии от измерительного устройства находится человек.

Впрочем, одного лишь расстояния недостаточно для точного местоположения — оно дало бы только окружность, где теоретически может находиться человек. Чтобы получить точные координаты, нужно определить ещё и угол относительно устройства: например, угол в ноль градусов означал бы, что человек находится прямо перед прибором. Принимающую антенну настроили так, чтобы она могла фиксировать угол, под которым к ней приходит сигнал, — а поскольку человек влияет ещё и на угол отражения волны, это в конечном счёте позволило довольно точно определять его местоположение в комнате. Помимо этого, у разработчиков получилось распознавать и падение человека — тоже благодаря характерным изменениям сигнала.

По словам самих исследователей, подобная технология способна работать даже сквозь бетонную стену толщиной 20 сантиметров. Они также предполагали, что подобную разработку стоит применять для наблюдения за пожилыми людьми: например, чтобы быстро отреагировать, если человек упал, — при этом сразу становится понятно, где именно он находится, а никаких проблем с приватностью, по их мнению, возникать не должно, поскольку на экране видна лишь точка на карте, а не изображение самого человека.

И всё же это по-прежнему далеко не то полноценное рентгеновское зрение Супермена, о котором шла речь в начале. Судя по всему, примерно так же рассудили и исследователи из другого университета — Карнеги — Меллона, — которые примерно год спустя предложили свою реализацию этой идеи, на этот раз с помощью нейронных сетей.

Карнеги — Меллон и нейросеть, которая «дорисовывает» человека по Wi-Fi-сигналу

В основе нового исследования по-прежнему лежал всё тот же стандарт Wi-Fi 4, да и общая суть не слишком изменилась: по-прежнему нужно было отслеживать изменения сигнала беспроводной сети. А вот реализация оказалась заметно сложнее.

Цель этой работы состояла не просто в том, чтобы найти в комнате одного человека, а в том, чтобы обнаружить сразу нескольких людей и, что особенно интересно, определить их позы и движения. Задача эта, очевидно, куда сложнее предыдущей, а значит, требует заметно больше исходных данных: количество передающих и принимающих антенн увеличили до трёх штук, а сигналы стали передавать по разным каналам Wi-Fi.

Дело в том, что Wi-Fi работает не на одной конкретной частоте, а в достаточно узком диапазоне: например, Wi-Fi-сеть на 2,4 ГГц использует частоты примерно от 2400 до 2484 МГц. На каждой отдельной частоте мощность сигнала при прохождении сквозь препятствие меняется по-своему, а чем выше частота, тем хуже сигнал проходит сквозь стены — этот принцип уже упоминался выше. Как и в предыдущем исследовании, сначала нужно зафиксировать, как сигнал распространяется в идеальных условиях, а затем отслеживать, как он меняется при появлении между передатчиком и приёмником людей, а также при их движении. Разница в том, что теперь данных стало кардинально больше, а результатом такой работы становится целый массив графиков.

Но как графики сигналов вообще превращаются в подобие «зрения сквозь стену»? Здесь в дело вступает нейросеть под названием DensePose — она изначально была разработана для работы с обычным видео и позволяет точно выделять людей в кадре, отслеживать их движения и проецировать эти данные на трёхмерную поверхность тела. По сути, DensePose объединяет в себе функции хромакея (зелёного экрана) и датчика глубины, но работает при этом исключительно на основе информации с обычной камеры — без какого-либо специального оборудования. Работает DensePose в два этапа: сначала распознаются отдельные части тела человека в кадре, а затем на эти части «накладываются» точки, изменения координат которых и отслеживаются в дальнейшем. Таким образом люди в кадре отделяются от фона.

Всё это, безусловно, любопытно само по себе, но у внимательного читателя вполне может возникнуть два закономерных вопроса. Первый — а зачем вообще всё это нужно? Второй — как это связано с исследованием на основе Wi-Fi-сигналов и кучи графиков?

Ответить на первый вопрос довольно просто: сфера применения подобной нейросети довольно широка — от замены традиционного хромакея при видеосъёмке до автономного транспорта, где такая система могла бы, например, распознавать жесты и движения регулировщика дорожного движения. Со вторым вопросом всё чуть сложнее. В исходном варианте DensePose определяет людей в кадре по данным с камеры, а в новом исследовании никакой камеры нет вовсе — есть только сигналы Wi-Fi. Тем не менее оба подхода, по сути, отслеживают изменения в окружающей среде, так что у исследователей возникла идея заменить данные с камеры на данные Wi-Fi-сигналов. Для этого пришлось создать ещё одну, отдельную нейросеть.

Для тренировки этой сети было записано 16 роликов продолжительностью около 13 минут каждый: в кадре постоянно находилось от одного до пяти человек, которые совершали разнообразные движения — ходили, двигали руками и ногами, вставали, ложились и так далее, — чтобы получить максимально разнообразный набор данных. Одновременно с видео записывались графики сигналов с Wi-Fi-антенн. В итоге новую нейросеть «скормили» сразу двумя видами данных: изображениями с людьми в кадре и тем, как эти же сцены распознаёт DensePose, — а также соответствующими графиками сигналов. Задача сети была проста в формулировке, хоть и сложна на практике: сопоставить сигналы Wi-Fi с тем, как DensePose распознаёт людей по видео, чтобы в дальнейшем воспроизводить схожий результат уже без использования обычной камеры. Для тренировки такой сети, по данным исследования, использовались четыре видеокарты NVIDIA Titan X — хотя авторы работы, к сожалению, не объяснили, почему выбор пал именно на это железо.

Результат подобной тренировки уже был показан в самом начале: нейросеть научилась распознавать людей в комнате примерно так, как это делал бы датчик глубины, — но вообще без использования каких-либо датчиков, кроме обычных Wi-Fi-антенн. К сожалению, стопроцентной точности добиться не удалось: нейросеть иногда ошибается при распознавании людей в помещении, ведь вариантов расположения нескольких человек в трёхмерном пространстве несоизмеримо больше, чем вариантов, которые можно закодировать в двумерных графиках сигналов даже с трёх антенн. Впрочем, подобная проблема вполне решаема — прежде всего за счёт увеличения объёма тренировочных данных.

Так стоит ли переживать за приватность?

На первый взгляд может показаться, что перед нами серьёзная угроза приватности: сейчас это, конечно, лишь исследовательский проект, но где гарантия, что уже через несколько лет подобная технология не станет доступна буквально каждому? Не самая обнадёживающая перспектива. Авторы соответствующих исследований, впрочем, склонны с этим не соглашаться: подобную нейросеть необходимо настраивать под конкретную среду, и даже незначительное изменение обстановки способно всё испортить — вплоть до того, что сдвиг источника или приёмника сигнала всего на несколько миллиметров или появление новой Wi-Fi-точки у соседей уже сделает предыдущую калибровку бесполезной. Получается, что для организации подобной слежки требуется весьма продолжительная и кропотливая настройка, а значит, сфера практического применения подобных исследований долгое время выглядела крайне ограниченной.

Здесь стоит сделать важное уточнение по состоянию на середину 2026 года — то есть спустя несколько лет после публикации этих исследований. Вывод об «ограниченной сфере применения» был во многом справедлив на момент выхода упомянутых работ, но за прошедшее время ситуация заметно изменилась, причём именно в сторону массового распространения подобных технологий.

Осенью 2025 года был официально утверждён стандарт IEEE 802.11bf — первый международный стандарт, целенаправленно созданный для так называемого Wi-Fi-сенсинга: распознавания движения, присутствия людей, жестов, падений и даже дыхания на основе того же самого принципа, что описан выше, — анализа изменений радиосигнала. Если раньше подобные разработки существовали разрозненно, в виде исследовательских проектов и фирменных, несовместимых друг с другом решений отдельных компаний, то новый стандарт впервые задаёт единые правила: как устройства должны согласовывать сеанс «прослушивания» пространства и обмениваться результатами измерений. Уже в начале 2026 года десятки производителей чипов — среди них, например, Qualcomm и Infineon — анонсировали поддержку этого стандарта в новых линейках Wi-Fi-модулей, а значит, подобная функциональность в обозримом будущем может появиться в самых обычных бытовых роутерах, а не только в специализированных лабораторных установках.

Более того, идеи из упомянутого исследования Университета Карнеги — Меллона уже вышли далеко за пределы академической среды: на их основе энтузиасты создали открытые программные проекты, позволяющие превращать сигналы обычных недорогих Wi-Fi-модулей в систему отслеживания человека через стены буквально из общедоступных компонентов стоимостью несколько долларов за штуку. Подобные разработки уже успели вызвать заметный общественный резонанс и новую волну дискуссий о приватности — тем более что, в отличие от истории 2015–2018 годов, единого правового регулирования подобного «сенсинга» пока попросту не существует ни в США, ни в Европе.

Иными словами, если несколько лет назад казалось, что технологии «Wi-Fi зрения» так и останутся нишевым лабораторным экспериментом из-за сложности настройки, то сегодня, с появлением единого отраслевого стандарта и растущей экосистемы производителей и разработчиков, перспективы её массового внедрения выглядят куда более реальными — а вместе с ними и вопросы о том, как защитить частную жизнь людей в мире, где обычный роутер способен «увидеть» их сквозь стену.

Итог

История, начавшаяся с забавной аналогии с рентгеновским зрением Супермена, довольно неожиданно привела к появлению вполне рабочей технологии, способной распознавать присутствие, движения и даже позы людей с помощью самого обычного Wi-Fi-сигнала — без единой камеры или специализированного датчика. Пройдя путь от лабораторных экспериментов MIT и Карнеги — Меллона до официального отраслевого стандарта, эта технология постепенно выходит за пределы научных статей — и, судя по всему, вопрос о том, как соседи (или кто-то ещё) в теории смогут «подглядывать» с помощью Wi-Fi, в ближайшие годы будет становиться всё менее гипотетическим.