Софтовый датчик присутствия на Linux AP + ESP8266
TL;DR
Наблюдение за изменением уровня Wi-Fi сигнала от стационарно расположенных по дому IoT устройств позволяет сделать полностью программный (выделенное железо отсутствует) обьемный датчик движения в квартире, достаточно точно показывающий наличие активно перемещающихся (фактически, не спящих) людей.
Предыстория
Есть обычная “квартира айтишника” с системой “умный дом” на базе Home Assistant:
-
Самодельные выключатели освещения на базе ESP8266 + MSP430
-
Несколько датчиков температуры/влажности, СО2 и качества воздуха.
-
Контроллер вентиляторов в ванной/туалете
-
пара Sonoff Mini для остального.
Общение девайсов между собой – по Wi-Fi + MQTT. Для минимизации влияния низкоскоростных ESP на “рабочую” Wi-Fi сеть – на отдельном Raspberry Pi 3 запущена отдельная Wi-Fi сеть для IoT, на базе стандартного hostapd. В сумме в IoT Wi-Fi сети – 12 устройств.
Там же на RPi запущен MQTT брокер, рядом на “домашнем сервере” – Home Assistant.
Идея
Уровень сигнала Wi-Fi достаточно зависим от наличия и расположения препятствий между точкой доступа и клиентами. Даже открытая/закрытая деревянная межкомнатная дверь может вызвать заметные изменения в RSSI, не говоря уже о прошедшем человеке. При этом, так как сами wi-fi клиенты стационарны – изменения сигнала от других факторов достаточно минимальны.
Если собрать данные о всех подключенных клиентах – скорее всего, их изменение будет достаточно заметным при перемещении людей в помещении, что и позволит реализовать обьемный датчик движения “просто так” – без установки дополнительного железа.
Реализация
Запустив команду iw dev wlan0 station dump, можно получить достаточно детальную информацию по подключенным клиентам:
Station 60:01:94:21:f8:4c (on wlan0)
inactive time: 8000 ms
rx bytes: 11269629
rx packets: 91423
tx bytes: 6159821
tx packets: 70707
tx failed: 0
signal: -53 [-53] dBm
tx bitrate: 1.0 MBit/s
rx bitrate: 54.0 MBit/s
...
connected time: 763375 seconds
Station 18:fe:34:98:dc:81 (on wlan0)
inactive time: 4000 ms
rx bytes: 11388688
rx packets: 92101
tx bytes: 6143200
tx packets: 70205
tx failed: 39
signal: -40 [-40] dBm
tx bitrate: 1.0 MBit/s
rx bitrate: 18.0 MBit/s
...
connected time: 763378 seconds
Значение RSSI (“signal: -40 [-40] dBm”) обновляется в реальном времени, и вызывая iw достаточно часто – можно собрать статистику уровня сигнала.
Запуская iw два раза в секунду и усреднив RSSI за минуту – можно получить значения с более высокой точностью:
Уже по этому графику видно что ночью сигнал остается стабильным, а днем отдельные клиенты отклоняются от “спокойного” состояния на +/- 10 dBm. Однако представление результата можно улучшить, посчитав среднеквадратичное отклонения сигнала для всех клиентов от “спокойного” уровня.
Средние значения
Первым вариантом алгоритма было:
-
Собрать статистику по уровням сигналов в отсутствие людей (“базовый уровень”)
-
Сохранить базовый уровень в файле конфигурации
-
Посчитать среднеквадратическое отклонение от базового уровня, которое и будет сигналом “обнаружено движение”
После имплементации такого алгоритма оказалось, что базового уровня не существует. После прохода человека по квартире и возврата в первоначальную точку – сигналы стабилизируются, но на других значениях.
Рассмотрим например тот же график в окресностях 4 утра:
Можно заметить ночной поход в ванную в ~4:30. После него сигналы вернулись к стабильности, но некоторые из них – сместились от предыдущих значений. Отсюда можно сделать вывод, что система в целом – метастабильна, и одного фиксированного “состяния покоя” не существует.
Для решения этой проблемы “состояние покоя” тоже нужно считать как среднее – но за значительно более продолжительный промежуток времени.
Финальный алгоритм
-
Раз в 500мс собираем значения RSSI из вывода iw dev wlan0 station dump.
Сама команда достаточно легковесна, чтобы не нагружать Raspberry Pi выполнением с такой частотой. -
Для каждого из клиентов считаем скользящее среднее за последние 1024 сэмпла в качестве “базового уровня”:
$RSSI = -65; # Значение из iw dev dump
$baseline = ($RSSI + 1023 * $baseline) / 1024;
-
Опять же для каждого считаем скользящее среднее за 256 сэмплов по аналогичной формуле в качестве “текущего значения”.
-
Итоговый показатель “активность движения в доме” считается как корень из суммы квадратов отклонений “текущего” от “базового” для каждого из wi-fi клиентов.
Результат уже намного более нагляден:
Здесь синий график (“IW Signal Distance”) и является среднеквадратическим отклонением. Остальное – индивидуальные отклонения от скользящего среднего.
Эмпирическим путем можно предположить, что значения IW Signal Distance >1 (зеленая горизонталь) соответствуют активности людей в помещении. Но эта граница, скорее всего, будет отличаться для других конфигураций помещения и количества устройств.
Результаты
Система работает в таком виде уже более двух лет, и достаточно надежно показывает активность внутри квартиры, с минимальным влиянием соседей.
Моя реализация алгоритма доступна на гитхабе (https://github.com/k-korn/misc-scripts/tree/main/iwmon), но она достаточно специфична (Perl + Zabbix + визуализация в Grafana) – и потому готовым решением “plug and play” все же служить не может.