ที่สำนักงานใหญ่ของ Espressif Systems (บริษัทผู้พัฒนา ESP32) ทีมวิศวกรและนักวิจัยได้ค้นพบว่า Wi-Fi ไม่ได้มีเพียงแค่การเชื่อมต่ออินเทอร์เน็ตเท่านั้น โลกของสัญญาณไร้สายนั้นเต็มไปด้วยข้อมูลที่ลึกลับและหนาแน่น ซึ่งเราสามารถนำมาใช้ประโยชน์ได้ในหลายวิธีที่นอกเหนือจากเดิม

Channel State Information (CSI) คือข้อมูลที่ซ่อนอยู่ลึกๆ ในทุกเฟรม Wi-Fi ที่บินมาบินไป มันบอกเราว่าสัญญาณเดินทางผ่านสภาพแวดล้อมอย่างไร หักเหไปกึ่งกลาง ดูดซับ และสะท้อนจากวัตถุต่างๆ รวมถึงตัวมนุษย์ด้วย

ด้วยการวิเคราะห์ CSI ผ่านเทคนิค Machine Learning และ Signal Processing คณะวิจัยนี้สามารถบอกได้ว่า:

• มีคนอยู่ในห้องหรือไม่ (บางครั้งแม้ว่าห้องปิดสนิท)
• อยู่ตรงไหนในห้องโดยประมาณ (ใน 1-2 เมตร)
• กำลังเคลื่อนไหวหรือนั่งนิ่ง (ระบุกิจกรรมได้)
• มีกี่คนอยู่ในห้องเดียวกัน

ผลการค้นพบนี้ได้เปิดทำให้เกิด ESP-CSI - โปรเจกต์โอเพนซอร์สที่ให้นักพัฒนารายเล็กและผู้สนใจสามารถทดลองใช้เทคโนโลยีนี้ได้ด้วยตัวเอง

ระบบ IoT ทั่วไปที่เราใช้อยู่ในปัจจุบันใช้เซนเซอร์แบบเดิมๆ เช่น PIR (Passive Infrared) เพื่อตรวจจับการมีตัวมนุษย์ แต่เซนเซอร์เหล่านี้มีข้อจำกัดค่อนข้างมาก - ต้องมองเห็นโดยตรง ทำงานไม่ดีในที่มืดหรือในห้องที่มีแสงแดดแรง และต้องติดตั้งตรงตำแหน่งที่เหมาะสมเท่านั้น

ESP-CSI เปลี่ยนเกมส์ทั้งหมดเพราะมันใช้ประโยชน์จากสัญญาณ Wi-Fi ที่มีอยู่แล้วในบ้านหรือสำนักงานของคุณ - ไม่ต้องเซนเซอร์เพิ่มเติมที่แพง Wi-Fi สามารถผ่านผนัง ผ้า เฟอร์นิเจอร์ และสิ่งกีดขวางต่างๆ ได้ ทำให้เป็นเครื่องตรวจจับที่อ่อนไหวและเชื่อถือได้อย่างมาก

คิดว่านี่คือ "สัมผัสที่หก" สำหรับอุปกรณ์ IoT ของคุณ - ความสามารถในการรู้สึกและตอบสนองต่อสิ่งที่เกิดขึ้นรอบตัวในลักษณะที่ไม่เคยเป็นไปได้มาก่อน ระบบอาจรู้ว่า:

• คุณกำลังนั่งที่เก้าอี้ทำงาน
• คุณเดินเข้ามาในห้องหนึ่ง
• คุณกำลังนอนหลับ
• มีการเคลื่อนไหวผิดปกติในบ้าน

ทั้งหมดนี้ทำได้โดยไม่ต้องติดกล้อง ไม่ต้องใช้ไมโครโฟน และไม่ต้องรับอนุญาต - เป็นมิตรกับความเป็นส่วนตัวจริงๆ

ลองนึกถึงสัญญาณ Wi-Fi เป็นคลื่นน้ำที่ไหลออกมาจากเราเตอร์ เมื่อมันออกจากตัวเราเตอร์ มันจะเดินทางผ่านห้องและชนกับวัตถุต่างๆ - เก้าอี้ โต๊ะ ตู้ คน ผนัง และอื่นๆ คลื่นจะหักเห ดูดซับ และสะท้อนกลับมาในทิศทางต่างๆ

Channel State Information (CSI) คือการบันทึกรายละเอียดของสิ่งที่เกิดขึ้นกับคลื่นทั้งหมด - ได้รับแอมพลิจูดเท่าไหร่ (ความแรงของสัญญาณ) เฟสเปลี่ยนไปแค่ไหน (มุมของคลื่น) และใช้เวลากี่นาโนวินาที เมื่อรวมข้อมูลนี้ทั้งหมดเข้าด้วยกัน เราจะได้ "ลายนิ้วมือ" ของสภาพแวดล้อมที่ไม่ซ้ำใคร

เมื่อมีคนเดินเข้าห้อง "ลายนิ้วมือ" นี้ก็จะเปลี่ยนไปตั้งแต่ทันที สิ่งที่สำคัญที่สุดคือ ESP32 สามารถจับการเปลี่ยนแปลงนี้ได้ด้วยความแม่นยำสูง

เมื่อคุณเริ่มต้นครั้งแรกกับ ESP-CSI คุณจะได้รับชุดของข้อมูล CSI ที่ดูเหมือนจะสับสนและไม่มีเหตุผล นี่คือข้อมูลดิบ (raw data) - ตัวเลขเรขาคณิตที่ลึกลับ ตัวเลขเชิงซ้อน แอมพลิจูด เฟส และการกระจัดกระจาย ที่ดูเหมือนมีความหมายไม่ชัดเจน

ความท้าทายในระยะนี้ของเรา: ทำให้มันมีความหมาย? คุณจะต้องเขียนโปรแกรมบน ESP32 เพื่อรับข้อมูล CSI จากทุกเฟรม Wi-Fi และบันทึกลงไป นอกจากนี้ยังต้องเตรียมพื้นที่เก็บข้อมูลเพียงพอ (SD Card หรือคลาวด์) เพราะข้อมูลมีปริมาณค่อนข้างมาก

ขั้นตอนอย่างเรียบง่าย:

1. โปรแกรม ESP32 ให้ทำงานเป็น "sniffer" - จับเฟรม Wi-Fi ได้ทั้งหมด
2. เปิดใช้งาน CSI callback และรับข้อมูล CSI จากแต่ละเฟรม
3. ส่งข้อมูลนี้ไปยังคอมพิวเตอร์ผ่าน UART (Serial) หรือเก็บไว้ในหน่วยความจำ
4. ตรวจสอบว่าข้อมูลมีความเสถียรและหนาแน่นพอที่จะทำการวิเคราะห์
5. ทำความเข้าใจกับการออกแบบโครงสร้างข้อมูล CSI ของ ESP-IDF

นี่คือหนึ่งในความท้าทายของ Phase 1 - มีข้อมูลจำนวนมาก แต่คุณยังไม่รู้ว่าจะทำให้มันใช้ได้จริงอย่างไร

ตอนนี้มาถึงส่วนที่คุณต้องเข้าใจเรื่องฟิสิกส์ของคลื่นแม่เหล็กไฟฟ้า (Electromagnetic Waves) สัญญาณ Wi-Fi นั้นทำตัวเหมือนคลื่นแสง - มันสะท้อน หักเห ดูดซับ และเมื่อมีสิ่งกีดขวาง (เช่น คน) มันจะเปลี่ยนแปลง

ในระยะนี้คุณจะเรียนรู้:

• Multipath Effect - สัญญาณมาถึงผ่านหลายเส้นทาง (โดยตรง สะท้อนจากผนัง หักเห) และทั้งหมดนี้รวมกันใน CSI
• Doppler Shift - เมื่อมีการเคลื่อนไหว ความถี่จะเปลี่ยน (เหมือนเสียงเครื่องบินที่โหวแวว)
• RSSI vs CSI - RSSI (Received Signal Strength Indicator) คือเพียงกำลังสัญญาณโดยทั่วไป แต่ CSI มีรายละเอียดมากกว่านั้นมาก (เหมือนความแตกต่างระหว่างรู้ว่ามีใครอยู่ vs รู้ว่า บุคคลนั้นกำลังทำอะไร)
• Subcarrier Information - Wi-Fi ใช้หลายความถี่พร้อมกัน (เรียกว่า subcarrier) ประมาณ 52-128 ตัวขึ้นอยู่กับเวอร์ชัน CSI จะบอกเกี่ยวกับแต่ละตัว
• Amplitude และ Phase - ข้อมูลทั้งสองนี้รวมกันบอกเราว่าคลื่นเดินทางอย่างไร

ความหมายคือ: ถ้าคุณเข้าใจฟิสิกส์ของคลื่นอยู่แล้ว คุณก็จะเข้าใจ CSI ได้ดีขึ้น และสามารถตีความข้อมูลได้ถูกต้อง

ตอนนี้มาถึงสิ่งที่น่าตื่นเต้น - การแปลงข้อมูล CSI ที่บังหลวงให้เป็นการตัดสินใจที่ชัดเจน (Detection) เราต้องสร้างอัลกอริทึมที่สามารถบอกได้ว่า "มีคนอยู่ในห้องหรือไม่" หรือ "มีการเคลื่อนไหวหรือไม่"

วิธีการง่ายๆ (สำหรับผู้เริ่มต้น): คุณสามารถใช้ threshold (เกณฑ์) แบบง่ายๆ ได้:

• วัดความแปรปรวน (variance) ของข้อมูล CSI ในช่วงเวลาหนึ่ง
• ถ้าความแปรปรวนสูง = มีคนเคลื่อนไหว = มีคนอยู่
• ถ้าความแปรปรวนต่ำ = ห้องว่าง (ไม่มีใครเคลื่อนไหว)

นี่คือ "Tripwire" แบบดิจิทัล - เมื่อมีการเปลี่ยนแปลงบางอย่างเกิดขึ้น ระบบของคุณจะถูกเรียกใช้งาน อาจส่งการแจ้งเตือนไปยังมือถือ เปิดไฟ บันทึกข้อมูล หรือควบคุมอุปกรณ์อื่นๆ

ความซับซ้อนเริ่มเพิ่มขึ้นเมื่อคุณต้องจัดการกับ:

• สัญญาณรบกวน (Noise) - จากวัตถุที่เคลื่อนไหวในห้องอื่น หรือการแกว่งไปมาเล็กน้อยของเฟอร์นิเจอร์
• ตัวกรอง (Filtering) - ใช้ Low-pass Filter หรือ Moving Average เพื่อทำให้ข้อมูลเสถียรมากขึ้น
• การปรับตัว (Adaptation) - เมื่อสภาพแวดล้อมเปลี่ยน (เช่น เปิดหน้าต่าง หรือเลื่อนเฟอร์นิเจอร์)
• Time Series Analysis - วิเคราะห์รูปแบบการเปลี่ยนแปลงตามเวลา

ตอนนี้เราอยากขยายขอบเขต - ใช้หลาย ESP32 พร้อมกันเพื่อให้ได้ความแม่นยำสูงขึ้น นี่คือการสร้าง "Sensing Array" ซึ่งเป็นระบบตรวจจับขั้นสูงที่ใช้หลาย receiver กระจายอยู่ในห้องหรือพื้นที่

ด้วยหลาย receiver คุณสามารถ:

• Trilateration - กำหนดตำแหน่งของคนในห้องได้อย่างแม่นยำ (ใช้ RSSI หรือ Time-of-Arrival)
• Redundancy - ถ้า ESP32 ตัวหนึ่งรับสัญญาณไม่ดี ตัวอื่นก็ช่วยได้ ทำให้ระบบเชื่อถือได้มากขึ้น
• Pattern Recognition - เห็นรูปแบบการเดิน การนั่ง การนอน จากหลายมุมมอง
• Multi-person Detection - บอกได้ว่ามีกี่คนในห้อง (เพราะแต่ละคนมี "ลายนิ้วมือ" CSI ที่ต่างกัน)
• Better Noise Rejection - โดยการเปรียบเทียบข้อมูลจาก receiver หลายตัว

ท้ายที่สุดแล้ว คุณสร้างระบบที่ฉลาดได้จริง - มันไม่เพียงรู้ว่ามีคนอยู่ แต่ยังรู้ว่าอยู่ตรงไหน กำลังทำอะไร และเปลี่ยนแปลงไปอย่างไร

คำตอบคือ: ขึ้นอยู่กับความต้องการของคุณ มันขึ้นอยู่กับว่าคุณต้องการให้ระบบมีความแม่นยำและเสถียรเพียงไหน

ข้อดี:

• ไม่ต้องใช้กล้อง - เป็นมิตรกับความเป็นส่วนตัว ไม่มีการบันทึกภาพ
• ราคาถูก - ใช้ ESP32 ที่ราคาเพียง 5-15 ดอลลาร์ต่อตัว (ถูกกว่าเซนเซอร์ PIR หลายชนิด)
• ทำงานผ่านผนัง - ไม่ต้องมองเห็นโดยตรง สัญญาณผ่านกำแพง ประตู และอื่นๆ ได้
• ป้องกันแมลง ฝุ่น และสิ่งปนเปื้อน - ไม่มีชิ้นส่วนเคลื่อนไหวหรือเลนส์
• ใช้ไฟฟ้าน้อย - ESP32 กิน 5V ที่กระแส 80 mA โดยทั่วไป
• โปรแกรมโอเพนซอร์ส - มีตัวอย่างและไลบรารีให้ใช้

ข้อด้อย:

• ต้องปรับแต่ง (Calibration) สำหรับแต่ละห้อง - สภาพแวดล้อมต่างกัน ต้องเก็บข้อมูลพื้นฐานใหม่
• สภาพแวดล้อมที่เปลี่ยนแปลง (เช่น หน้าต่างเปิด วัตถุเคลื่อนไหวนอก) จะทำให้ผลลัพธ์คลาดเคลื่อน
• ต้องใช้ Machine Learning สำหรับความแม่นยำที่สูงมาก (เพื่อบอกความแตกต่างระหว่างคนนั่งกับคนยืน)
• ไม่เหมาะสำหรับสภาพแวดล้อมที่มีสัญญาณรบกวน Wi-Fi มาก (เช่น ห้องบอก 50+ Wi-Fi Networks)
• ต้อง Router ที่รองรับ Monitor Mode (ส่วนใหญ่รองรับแล้ว)
• เสถียรภาพยังไม่เต็มร้อย - บางครั้งอาจเกิดสัญญาณปลอม (False Positive หรือ False Negative)

สรุป: สำหรับการใช้งาน DIY ที่ต้องการตรวจจับการมีตัวแบบง่ายๆ ในบ้าน ระบบนี้ใช้ได้แล้ว! แต่ถ้าคุณต้องการความแม่นยำเหมือนกับเซนเซอร์พาณิชย์ที่ปลูกด้วย IR Thermography คุณอาจต้องลงทุนเพิ่มเติมในการพัฒนา Machine Learning Model