Can WiFi Estimate Person Pose?

这是一份给"完全没接触过 AI / 通信"的读者看的精读笔记。语言尽量像聊天，公式全部翻译成人话。

一句话讲什么（TL;DR）

想象你家路由器除了上网，还能告诉你"屋里那个人正在做啥姿势"——胳膊抬到哪、腿怎么弯，全画给你看。

所以这一节是想说：这篇论文证明 WiFi 信号不只是用来上网的，它本身就是一种"低分辨率的摄像头"。

---

这是个什么场景

想象一个独居的老人半夜起床上厕所，万一摔倒了没人知道。你想装个摄像头看看，但老人不愿意——谁愿意自己卧室 24 小时被拍？这是个真实的两难：你想知道屋里人现在是什么姿势（站着、坐着、还是已经躺地上了），但又不能用摄像头。

这篇论文的脑洞是：家里那台路由器就是现成的"姿势探测器"。

物理基础其实很朴素，可以拿"池塘扔石头"打比方：

• WiFi 信号是无线电波，路由器每秒往家里灌几亿个看不见的"波纹"。
• 这些波碰到墙、桌子、人体都会反射、绕行、变形——就像池塘里有人站着 vs 坐着，水面波纹会长得不一样。
• 一个站着的人和一个弯腰的人，搞出来的"波纹形状"是不同的。
• 只要让 AI 学会"看波纹猜姿势"，WiFi 就变成一台不需要摄像头的姿势探测器。

为什么这件事值得做？

• 摄像头有死角：暗的地方、墙后面、有烟雾的房间都看不清。WiFi 不在乎这些。
• 摄像头有隐私问题：你不会愿意卫生间或卧室里装个镜头。WiFi 输出的只是 18 个关节点位置，看不出长相和衣服。
• WiFi 设备已经遍地都是：路由器、手机、智能音箱、IoT 灯泡，全都带 WiFi 芯片。再加一个用途，几乎不花成本。

所以这一节是想说：WiFi 当摄像头听起来玄学，但物理基础和应用场景都很扎实，关键是要让 AI 学会"看波"。

---

之前的人怎么做的，为什么不够好

WiFi 用来"感知人"已经有好几年历史，但都停在比较粗的层面：

• WiFi 室内定位：能告诉你"客厅里有人"或"距离路由器 3.2 米"，但不知道这人现在是站着还是躺着。粒度太粗。
• WiFi 动作分类：把信号丢给 AI，让它在"走路 / 跑步 / 跌倒 / 挥手"几个固定动作里选一个。这是分类题，不是画出姿势。等于只会回答选择题，不会画图。
• 专用雷达（RF-Pose、RF-Capture）：MIT 同期工作。能画出人体姿势，但用的是频率扫频雷达 FMCW——那是科研专用设备，几千上万美元一台，普通家庭买不起。
• 特殊穿戴或环境改造：墙壁里嵌电极（Wall++）、天花板装 LED + 地面铺光敏片（LiSense）。这些都需要把房间改造一遍，安装成本极高。

这些方案要么"看不细"，要么"贵到爆"，要么"装不下"。论文要回答的核心问题是：用一对几十块钱的商用 WiFi 卡，能不能干雷达和摄像头干的活？

所以这一节是想说：现有方案要么太粗、要么太贵，从没人尝试用最便宜的商品 WiFi 直接估出 18 个关节点。

---

这篇论文的新想法

类比一句：就像让一个盲人徒弟跟着一位明眼师傅学相面——师傅每看一眼就告诉徒弟"这人现在弯腰举手"，徒弟只能摸到房间里的"风"（WiFi 波），但摸久了也能光凭风的变化猜出对方的姿势。

技术上一句话：搭一对 3 天线发射 + 3 天线接收的普通 WiFi，配一个摄像头当"师傅"，让神经网络学会从 WiFi 信号直接画出 18 个人体关节点。

关键创举有两个：

1. 用摄像头给 WiFi 当"标签机"——摄像头看一帧，自动产出"这一刻人的姿势"，当 WiFi 信号的标准答案。不用任何人工去标。
2. 不直接预测 18 个 (x, y) 坐标，而是预测一个叫"姿态邻接矩阵 PAM"的奇怪形状——后面会讲为什么这样训练效果更好（一句话剧透：为了让网络不画出"脖子比头粗"那种比例失调的人）。

所以这一节是想说：核心思路是让摄像头当老师、WiFi 当学生，再加一个聪明的训练目标让 WiFi 学得动。

---

它分几步做的（方法）

整篇论文做了 4 件事：搭硬件 + 设计标签 + 设计网络 + 训练。

1. 搭一套"WiFi + 摄像头"双胞胎采集系统

类比

教小孩认动物。你拿出一张照片说"这是猫"，小孩看到照片同时听到"猫"。看够了几千张，他下次只听到"猫"也能在脑子里浮现出猫的样子。

这里"照片"=人体姿势，"声音"=WiFi 信号。摄像头负责给出姿势，WiFi 负责听信号。两边必须同步——不然学生看到信号就不知道对应哪个动作了。

它在干什么

• 一对 WiFi 设备：一个 3 天线发射器（sender）+ 一个 3 天线接收器（receiver）。两端都是普通商用网卡。
• 一个摄像头：跟 WiFi 摆一起，对准同一个房间。
• 时间同步：用 Unix 时间戳给两边数据打标签，确保"这一帧画面"和"这一段 WiFi 信号"是同一时刻的。
• 采样率：WiFi 100 Hz（每秒 100 段数据），摄像头 20 Hz（每秒 20 帧）。所以 1 帧画面 = 5 段 WiFi。

CSI（Channel State Information，信道状态信息）：WiFi 收发两端"中间发生了什么"的物理层指标。每段 CSI 都是一个 30×3×3 的数字方阵——30 是子载波数（WiFi 用 30 个不同频率的小载波同时传），两个 3 是发射端和接收端的天线数。

OFDM（正交频分复用）：WiFi 把一个频道切成几十个细窄的子信道，每个子信道独立传一点数据。好处是某个子信道被干扰了，其他还能用。CSI 就是给每个子信道单独打个分。

为什么这步有用

• 之前没人有"WiFi+姿势"配对数据集——这一步亲手造了 80,000+ 张图的样本，让监督学习成为可能。
• 摄像头和 WiFi 严格对齐时间戳，让后面的"老师教学生"成立。
• 用普通设备意味着别人也能复现，不像 MIT 用专用雷达没人能跟。

所以这一节是想说：第一件事是搭好"摄像头当老师、WiFi 当学生"的双胞胎采集装置，并保证两边数据严格对齐时间。

---

2. 让 AlphaPose 当老师，自动给每帧画姿势

类比

你想教外国朋友学中文写字。但你不会教学，怎么办？请一位中文老师来——老师每天写一个字给你朋友照着练。这位老师不需要懂英文，只要能写出标准答案就行。

这里"中文老师"=AlphaPose，"朋友"=WiSPPN（学生网络），"练字"=学 WiFi → 姿势。

它在干什么

• 每帧画面交给 AlphaPose，AlphaPose 输出 18 个关节点：(x, y, c)——x 和 y 是坐标，c 是置信度（这个点有多准）。
• 18 个点按 COCO 标准编号：鼻子、脖子、左右肩、左右肘、左右腕、左右胯、左右膝、左右踝、左右眼、左右耳。
• 这 18 个点就是"这一刻人的姿势"——它就是 WiFi 学生要去拟合的"标准答案"。

AlphaPose：上海交大 + 港中文做的开源人体关键点检测器。两步走：先 YOLOv3 框出人，再回归每个关节的位置。是 2018-2019 年最强开源选手之一。

关键点（keypoint）：人体上预先定义的若干特征点。论文用 COCO 18 点配置——比 17 点版多了一个"脖子"。

置信度（confidence）：模型对自己这个判断有多自信。0=完全瞎猜，1=非常确定。

为什么这步有用

• 不用任何人工标注。一张图 24 美分都不用，AlphaPose 几毫秒搞定。80,000 张图标完只要几小时。
• 老师质量比人手标更稳定——人会累、会马虎，AlphaPose 不会。
• 这种"用一个成熟模型给新模型当老师"的套路叫知识蒸馏或师生学习，后来在很多领域都流行起来。

所以这一节是想说：用现成的 AlphaPose 自动批量生产姿势标签，零人工成本造出 80K 训练样本。

---

3. 不预测坐标，而预测"姿态邻接矩阵 PAM"

这是论文最聪明的一步。

类比

让一个画家凭空画"一个站着的人"。两种教法：

• 教法 A：直接给他 18 个点的坐标——"鼻子在 (320, 100)，脖子在 (320, 130)……"。画家照着标点，但点和点之间没有约束，画出来的人可能脖子比头还粗、胳膊比腿还长——比例失调。
• 教法 B：除了告诉他每个点的坐标，还告诉他"鼻子到脖子距离 30 厘米，方向朝下"、"肩膀到肘部距离 40 厘米"……每对点之间的相对位置都告诉他。这样画家很难画错——身体比例自动就对了。

PAM 就是教法 B 的数学版本。

它在干什么

• 把 18 个关键点想成一张图（graph）的 18 个节点。任意两个节点之间都连一条线（完全图）。
• 构造一个 3×18×18 的三维矩阵：
  • 第一层 x'：对角线写每个点的 x 坐标，对角线之外的格子 (i,j) 写"第 i 点的 x 减第 j 点的 x"——也就是两点的水平位移。
  • 第二层 y'：同理，记录纵向坐标和位移。
  • 第三层 c'：对角线写置信度，对角线之外写两点置信度的乘积。
• 网络去拟合这个 3×18×18 矩阵，而不是 18×2 的坐标列表。

邻接矩阵（adjacency matrix）：图论里描述"哪些节点相连"的标准工具。一行一列对应一个节点。这里把"相连"改成"两点之间的差值"，所以叫姿态邻接矩阵。

完全图（directed complete graph）：任意两个节点之间都有一条有向边的图。这里 18 个关节点两两有连接，所以矩阵是稠密的。

关键公式翻译成人话

原文写：

x'_{i,j} = x_i - x_j  (i ≠ j)
x'_{i,i} = x_i

人话："对角线放每个点自己的 x 坐标，其他格子放两点 x 的差"。y' 一样的逻辑。c' 也类似，但"差"换成"乘积"。

为什么这步有用

• 直接预测坐标的网络容易"坐标飘"——预测出来的点位置可以正确，但身体比例乱掉。PAM 把"两点之间应该差多少"变成网络必须满足的约束，等于免费给网络加了个"骨架长度正则化"。
• 比如鼻子到脖子的位移在 y 方向几乎总是负的（脖子在鼻子下方）——网络学过几千个例子后会把这个规律刻进去，不会画出"头朝下"的人。
• 实验证明这套表示法的泛化能力比直接回归坐标好很多。

所以这一节是想说：把姿势编码成"每对关节的相对位移矩阵"，等于给网络免费加了一道"身体比例必须对"的约束。

---

4. WiSPPN 网络结构：编码器 + 特征提取器 + 解码器

类比

把一段广播录音变成歌词字幕，需要三步：先把声音波形数字化（编码器）、再听出旋律和节奏（特征提取器）、最后写成文字（解码器）。WiSPPN 就这三段流水线。

它在干什么

输入：5 段 CSI（每段 30×3×3）拼起来 = 150×3×3 的小数据块。

(a) 编码器：把这个 150×3×3 的"小邮票"撑大成 150×144×144 的"大画面"。用的是双线性插值——一种把图像"软放大"的标准操作。论文之前的 CSI-Net 用 8 层转置卷积放大，慢很多；这里用一行 bilinear 直接搞定。

双线性插值（bilinear interpolation）：把小图放大到大图时，新像素的颜色由周围 4 个旧像素加权平均出来。所有手机相册的"图片放大"功能本质都是它。

转置卷积（transposed convolution）：神经网络里"反向卷积"的操作，可以把小特征图放大到大特征图。比插值更灵活但也更费算力。

(b) 特征提取器：4 个 ResNet 残差块串起来，共 16 层卷积。把 150×144×144 一路压缩到 300×18×18 的特征。

ResNet（残差网络）：何恺明 2015 年的工作。每一层不仅看上一层的输出，还加上前面层的原始输入——叫"短路连接"。这样就算网络很深也不会"梯度消失"（一种深网络无法训练的常见病）。

卷积（convolution）：神经网络里识别图形的基本操作。把一个小窗口（比如 3×3）在图上滑动，每次输出一个数字。多个卷积核能识别出不同的局部模式。

(c) 解码器：两层 1×1 卷积，把 300 通道压到 36 通道再压到 2 通道，输出形状 2×18×18 的预测 PAM（只预测 x 和 y，不预测 c）。

损失函数：

L = c' ⋅ (||pPAM_x - PAM_x||² + ||pPAM_y - PAM_y||²)

人话：预测姿态矩阵和老师姿态矩阵的差距，按"老师有多自信"加权后求和。老师不太确定的点（比如被遮挡的脚踝），错了也只扣一点点；老师很确定的点（比如清晰可见的鼻子），错了狠狠扣分。

为什么这步有用

• 整个网络只占很小的算力，但用了三大成熟组件（CSI-Net 的 encoder 思路、ResNet 的提取器、FCN 的密集预测）。属于"站在巨人肩膀上"的稳健做法。
• 损失加权让网络更关注高置信度的关节点，避免被老师自己都拿不准的标签带跑偏。

所以这一节是想说：网络结构本身没什么花哨——靠的是 PAM 这个监督信号 + 师生训练范式。

---

关键数字（What works）

数字本身不重要，重要的是它们告诉你这套方案到底能用还是只是噱头。

数字 1：训练数据 79,496 张，测试 19,931 张

• 怎么算的：8 位志愿者在 2 个房间 16 个布点位置做日常动作。每人前 80% 数据训练、后 20% 测试。
• 对比：同期 RF-Pose 用了 100 多小时数据，差不多 50 万帧；这里只有 8 万。
• 生活语言：用普通商用 WiFi 也能在一个学校实验室级别的场地里搞出可用数据集。门槛远比想象低。

数字 2：PCK@50 平均 0.82

• 怎么算的：PCK@50 表示预测点和真实点距离小于"上半身长度的 50%"就算对。82% 的关节点能落在这个范围内。
• 对比：纯随机猜测 < 5%；摄像头方法（AlphaPose）几乎 100%。
• 生活语言：松一点的标准下，绝大部分关节都能"大致放对位置"。已经够用来判断"站还是坐"、"举手还是叉腰"这种粗动作。

数字 3：PCK@10 平均 0.14

• 怎么算的：把"算对"的标准收紧到 10%——基本上要预测点几乎压在真实点上。
• 对比：摄像头方法 PCK@10 通常在 0.6-0.8。
• 生活语言：要让 WiFi 像摄像头那样精确到厘米级还差远了。它能告诉你"胳膊大概在哪一块"，但不能告诉你"指尖具体哪个像素"。

数字 4：脖子（Neck）PCK@50 = 0.88，最准

• 怎么算的：18 个关节点单独评。脖子是最准的之一。
• 对比：左右脚踝（L. Ankle / R. Ankle）只有 0.71-0.73，最差。
• 生活语言：身体中轴线上的关节（脖子、肩、胯）容易估对，远端的小关节（手腕、脚踝）最难——因为它们对 WiFi 信号的影响小，且容易被身体遮住。

数字 5：训练 20 epoch，初始学习率 0.001，batch size 32，Adam 优化器

• 怎么算的：Pytorch 1.0 实现。学习率每 5 个 epoch 衰减一半。
• 生活语言：单卡几小时就能复现完整流程。整套方案对硬件友好。

数字 6：CSI 张量大小 30×3×3，再堆 5 段 = 150×3×3

• 怎么算的：30 子载波 × 3 发送天线 × 3 接收天线 × 5 段（同步 1 帧画面）。
• 生活语言：每帧画面对应的 WiFi 数据只有 1350 个浮点数——比一张 224×224 RGB 图（15 万浮点数）小 100 倍。但靠 PAM 监督和 ResNet 强力提取，照样把姿势抠出来。

所以这一节是想说：松标准下能用，紧标准下还差摄像头一大截；这是 WiFi 估姿的现实档位。

---

你应该懂的几个新词

CSI（Channel State Information）：WiFi 信号在收发途中"被环境揉搓的痕迹"。一段 CSI = 一个 30×3×3 的小数字方阵。是这篇论文唯一的输入信号。

OFDM（正交频分复用）：WiFi 把一段频带切成几十个子载波同时传。CSI 就是给每个子载波单独记一个值。

天线（antenna）：发射 / 接收无线电波的硬件。多天线意味着可以从不同位置感知信号——本论文用 3 发 3 收。

关键点 / 关节点（keypoint / joint）：人体上预先定义的特征点（鼻子、肩、肘等）。COCO 标准 18 点。

姿态估计（pose estimation）：从输入信号中预测每个关节点的位置。摄像头版已经做到很好，本文是 WiFi 版的早期尝试。

PCK（Percentage of Correct Keypoints）：评估姿态估计准确率的标准指标。"@50" 表示允许误差不超过参考长度的 50%。

完全图（complete graph）：图论里任意两点之间都有连线的图。本文把 18 个关节点之间两两连，得到 18×18 的稠密邻接矩阵。

邻接矩阵（adjacency matrix）：图论里描述节点关系的标准矩阵。本文把"两点是否连"改写成"两点的位移"，得到 PAM。

师生学习 / 知识蒸馏（teacher-student / knowledge distillation）：用一个已训练好的"老师"模型给"学生"模型生成训练标签的范式。本文老师是 AlphaPose，学生是 WiSPPN。

ResNet（残差网络）：通过"短路连接"让深层网络也能稳定训练的经典架构。本文用 4 个残差块当特征提取器。

FCN（Fully Convolutional Network，全卷积网络）：从输入到输出全用卷积、不带全连接层的网络结构。WiSPPN 是 FCN。

双线性插值（bilinear interpolation）：把小图按邻近 4 个像素加权平均放大成大图的标准操作。这里用来把 CSI 输入撑大到 144×144。

所以这一节是想说：上面这十几个词在 RF + 视觉交叉领域反复出现，先把它们和日常类比挂起来。

---

它有什么搞不定的

论文老老实实把短板写在台面上：

• 只能估单人：场景里多于一个人，3 天线 WiFi 信号叠加在一起没法分开。要做多人版本得换硬件或换方法。
• 环境依赖严重：训练在 A 房间收的数据，测试时换到 C 房间（家具、墙体材质都不一样），效果会明显下降。论文也只在 2 个房间做了实验，跨场景泛化能力没有验证。
• 精度档次远低于摄像头：PCK@10 只有 0.14，意味着大多数关节点定位误差在身体长度的 10% 以上。要做精细动作识别（比如手语翻译）还差得远。

所以这一节是想说：单人 / 同环境 / 粗精度——三道天花板让这套方案目前只能当 demo，离日常产品还差好几步。

---

它和别的论文是什么关系

• 和 RF-Pose（MIT, 2018）：路线一样（RF 信号 → 姿势），但 RF-Pose 用的是 FMCW 雷达，造价 $10K+；本文用的是 $30 的商用 WiFi 卡。RF-Pose 证明可行性，本文证明可负担。
• 和 mmMesh / millimap 这类毫米波雷达工作：都属于"用电磁波感知人"。毫米波频率更高，分辨率更细，更接近摄像头水平；WiFi 频段低，分辨率更粗，但设备已经在每家每户了。两条路线互补——前者面向商业 sensor，后者面向 IoT 普及。
• 和 LLaVA 这类 VLM：你可能觉得它们风马牛不相及。但有一个共同点——都用了"老师模型自动出标签"的套路。LLaVA 是 GPT-4 出题，本文是 AlphaPose 出题。这种"用现成大模型给新模型当老师"的范式从这里就开始萌芽。
• 在"具身 AI 感知层"里的位置：摄像头之外，RF 是第二条潜力线——能穿墙、不怕暗、不怕烟、不暴露隐私。本文是 RF-vision 这条线的开荒作之一。

所以这一节是想说：这篇是 RF + 视觉交叉路线"低成本版"的开端，和 RF-Pose（贵路线）和后续 mmWave 工作（高分辨率路线）三足鼎立。

---

我建议这样读这篇

零基础读者按这个顺序走：

1. 先看 Figure 1（5 分钟）：左边是摄像头估的姿势，右边是 WiFi 估的——直观感受这件事能成。
2. 跳到 Section 3.1 看 CSI 是什么（10 分钟）：理解"30 个子载波 × 3 发 × 3 收 = CSI 张量"。这是输入到底是什么的问题。
3. 重点读 Section 4.2 的 PAM（15 分钟）：这是论文最有创意的一步。搞清楚为什么不直接预测 (x, y) 而要绕一道邻接矩阵。
4. 快速扫 Figure 5 的网络结构（5 分钟）：知道"输入 150×3×3 → 撑大到 144×144 → ResNet 提取 → 输出 2×18×18"就够。
5. 看 Section 5 的实验（10 分钟）：重点看 PCK 表，注意松标准（PCK@50）和紧标准（PCK@10）的差距。
6. 跳过参考文献和其他细节（除非要复现）。

读完上面 6 步大约 40-50 分钟，已经能复述这篇论文的核心思路。

所以这一节是想说：方法部分聚焦 PAM 一个章节，其余细节扫读，1 小时内可以拿下这篇。

---

一些好奇心问答

Q1：WiFi 真的能"看穿墙"吗？

理论上可以——WiFi 频段穿透力比可见光强。但论文实验都在同一房间内做，没有专门测穿墙场景。同期 MIT 的 RF-Pose 做了穿墙演示，效果不错。WiFi 频段稍弱，但应该也能做，需要后续工作验证。

Q2：3 发 3 收的天线我哪里搞？

商用 WiFi 网卡（比如 Intel 5300、Atheros AR9580）就支持。需要配合 Halperin 2011 工具 抓 CSI。整套硬件几百人民币能搭起来。

Q3：摄像头当老师，那训练时还是要摄像头啊？

对，训练时需要。但部署时只要 WiFi 就够了。这是师生学习的核心好处——把摄像头的能力"蒸馏"进 WiFi 模型，部署时只留 WiFi。

Q4：这套系统会泄露隐私吗？

比摄像头好很多——它输出的是 18 个关节点坐标，看不出你长什么样、穿什么衣服。但理论上你可以通过姿势识人（步态分析）。隐私是相对的，不是绝对的。

Q5：为什么不直接用 (x, y) 坐标当训练目标？

论文说过：直接回归坐标会丢失"身体比例约束"。PAM 把"鼻子到脖子距离 30cm 朝下"这种结构信息塞进监督信号，等于免费给网络加了正则化。消融实验没明确写，但作者强调了 PAM 比直接回归泛化能力更好。

Q6：80K 张图够吗？

对单人粗姿势够。但要做多人 / 跨房间 / 复杂动作，肯定不够。WiFi 数据集到 2024 年才开始有几十万到上百万规模的开源版本（MMFi、WiPose 等）。

Q7：8 个志愿者会不会过拟合？

会。论文按"每人前 80% 训练、后 20% 测试"——这是人内泛化测试，不是人间泛化。换一个新人来，效果可能掉很多。

Q8：这篇被引用最多的后续工作是什么？

后续有 Person-in-WiFi 自家的扩展（多人版、3D 版）、加州大学的 WiPose、清华的 GoPose 等。MMFi 是 2023 年最大的多模态人体感知数据集，是这条线的"集大成者"。

所以这一节是想说：实操（设备、隐私、数据量）和方法（坐标 vs 矩阵）的常见疑问，作者大都想过；只是没把所有 ablation 都做完。

---

如果你想再深入

按"前传 → 同期对手 → 续作 → 衍生方向"四类排序：

1. 前传：CSI-Net（2018，同一作者） — 用 CSI 做人体身份识别 + 动作分类。本文的 encoder 思路就是从 CSI-Net 借的，先读它能理解 WiFi → 视觉这条路怎么起步。
2. 同期对手：RF-Pose（MIT, 2018） — 用 FMCW 雷达做穿墙姿势估计，效果比本文好但设备贵 100 倍。两篇配着读，能看清"贵且强 vs 便宜且粗"的取舍。
3. 续作：Person-in-WiFi 3D / MMFi 数据集（2022-2023） — 把单人 2D 扩展到多人 3D，数据集规模拉到几十万级别。是这条线进入"实用"阶段的标志。
4. 同方向：millimap / mmMesh — 用毫米波雷达（mmWave）做更细粒度的人体感知。频率更高、分辨率更细，介于 WiFi 和摄像头之间。
5. 范式延伸：知识蒸馏 / 跨模态师生学习 — 本文 AlphaPose → WiSPPN 是一个早期例子。后续 RF-Action、RF-Identity、Wi-Vi 等大量工作都用这套范式。

所以这一节是想说：这篇是 RF-vision 路线的低成本起点；想看进展就跟 MMFi 数据集和毫米波路线，想看根源就回 CSI-Net 和 RF-Pose。

◼

@online{eai_person_in_wifi_2026,
  title       = {(readable note) Can WiFi Estimate Person Pose?},
  author      = {Zhou, Jason},
  year        = {2026},
  note        = {Note on a 2019 paper},
  howpublished = {\url{https://estelledc.github.io/embodied-ai-reading-station/papers/person-in-wifi/}},
  organization = {Embodied AI Reading Station}
}