Electromagnetic models for device-free RF people localization and counting

Passive or device-free radio sensing leverages existing wireless infrastructures to detect and characterize human presence without requiring dedicated transmitters or wearable devices. Its performance critically depends on our ability to model and predict how human bodies interact with electromagnetic (EM) fields in realistic indoor and outdoor environments. This thesis develops a physically grounded and scalable framework for passive RF sensing, centered on diffraction-based electromagnetic modeling. Starting from scalar diffraction theory, a single-body EM model is derived and progressively extended to incorporate antenna radiation patterns, floor reflections, array configurations, and angular discrimination mechanisms. The model is validated through full-wave electromagnetic simulations and experimental measurements, demonstrating that diffraction-based modeling preserve the dominant attenuation trends while remaining computationally tractable. The framework is then generalized to multi-body scenarios through the introduction of the Multi-body Additive Model (MAM) and the Composite Multi-body Additive Model (C-MAM), which account for Fresnel-zone relevance in dense deployments. To support these formulations, analytical bounds on target resolvability are derived, linking sensing performance to network density, wavelength, and monitored area geometry. Beyond analytical modeling, the thesis adopts a structured inference perspective. Electromagnetic models are interpreted as priors within Bayesian and learning-based architectures. Physics-informed generative neural networks are developed to reproduce EM field perturbations with reduced computational cost, enabling scalable data generation. Dense RF networks are further represented as graphs, and graph convolutional architectures are trained using EM-informed synthetic data to perform people counting under realistic deployment conditions. Overall, this work demonstrates that diffraction-based electromagnetic modeling, when rigorously extended and validated, provides a sufficient and interpretable foundation for passive RF sensing. By bridging analytical theory, experimental validation, and generative models, the thesis establishes a coherent methodology for designing scalable and physics-informed RF sensing systems.

Il sensing radio passivo o device-free sfrutta infrastrutture wireless già esistenti per rilevare e caratterizzare la presenza umana senza richiedere trasmettitori dedicati o dispositivi indossabili. Le sue prestazioni dipendono in modo critico dalla capacità di modellare e prevedere come i corpi umani interagiscono con i campi elettromagnetici (EM) in ambienti indoor e outdoor realistici. Questa tesi sviluppa un framework fisicamente fondato e scalabile per il sensing RF passivo, centrato sulla modellazione elettromagnetica basata sulla diffrazione. A partire dalla teoria della diffrazione scalare, viene derivato un modello EM a singolo corpo, progressivamente esteso per incorporare diagrammi di radiazione delle antenne, riflessioni dal pavimento, configurazioni ad array e meccanismi di discriminazione angolare. Il modello viene validato attraverso simulazioni elettromagnetiche full-wave e misure sperimentali, dimostrando che la modellazione basata sulla diffrazione preserva i principali andamenti dell’attenuazione pur rimanendo computazionalmente trattabile. Il framework viene quindi generalizzato a scenari multi-corpo mediante l’introduzione del Multi-body Additive Model (MAM) e del Composite Multi-body Additive Model (C-MAM), che tengono conto della rilevanza della zona di Fresnel in deployment densi. A supporto di queste formulazioni, vengono derivati limiti analitici sulla risolvibilità dei target, collegando le prestazioni di sensing alla densità della rete, alla lunghezza d’onda e alla geometria dell’area monitorata. Oltre alla modellazione analitica, la tesi adotta una prospettiva strutturata sull’inferenza. I modelli elettromagnetici vengono interpretati come priori all’interno di architetture bayesiane e basate su apprendimento. Vengono sviluppate reti neurali generative physics-informed per riprodurre le perturbazioni del campo EM con un costo computazionale ridotto, abilitando la generazione scalabile di dati. Le reti RF dense vengono inoltre rappresentate come grafi, e architetture convoluzionali su grafo vengono addestrate utilizzando dati sintetici EM-informed per effettuare il conteggio delle persone in condizioni di deployment realistiche. Nel complesso, questo lavoro dimostra che la modellazione elettromagnetica basata sulla diffrazione, quando estesa e validata in modo rigoroso, fornisce una base sufficiente e interpretabile per il sensing RF passivo. Collegando teoria analitica, validazione sperimentale e modelli generativi, la tesi definisce una metodologia coerente per progettare sistemi di sensing RF scalabili e physics-informed.