在智能家居和环境感知领域，传统的运动检测往往依赖摄像头或红外传感器，这些方法虽有效，但存在隐私泄露和高功耗等问题。WiFi 通道状态信息（CSI）技术提供了一种创新解决方案：利用现有 WiFi 基础设施，通过分析信号的幅度和相位变化来检测运动。这种方法无需额外硬件侵入用户隐私，且功耗极低，特别适合低功耗物联网设备如 ESP32。ESPectre 项目正是这一技术的典型实现，它将 WiFi CSI 转化为可靠的运动检测系统，支持 Home Assistant 等智能平台集成，实现无缝的环境感知。
CSI 是 WiFi 通信中描述无线信道物理特性的多维数据，与简单的 RSSI（接收信号强度指示）不同，CSI 捕捉每个 OFDM 子载波的幅度和相位信息。这些数据反映了信号的多径传播、Doppler 移位和时变特性。当环境中发生运动时，人体或物体会干扰 WiFi 波的传播路径，导致多径反射变化，从而引起幅度波动和相位偏移。例如，一个人走动时，会改变信号的时空分布，产生可检测的 “湍流” 模式。ESPectre 项目采用数学方法而非机器学习，从 CSI 数据中提取 10 个关键特征，包括统计特征（如方差、偏度、峰度、熵和四分位距）、空间特征（如子载波间方差、相关性和梯度）以及时域特征（如相邻数据包间的均值和方差变化）。这些特征通过移动方差分割（MVS）算法实时处理，实现 IDLE 和 MOTION 两种状态的二元分类。证据显示，在 3-8 米距离内，这种方法能可靠检测通过墙体的运动，准确率依赖环境调优，但无需训练数据集即可开箱即用。
在实现层面，ESPectre 基于 ESP32-S3 开发板，利用 Espressif 的 CSI API 捕获原始数据。处理管道包括：首先采集 CSI 数据（幅度和相位），然后应用可选滤波器如 Butterworth 低通滤波（去除 >8Hz 高频噪声）、Daubechies db4 小波变换（去除低频持久噪声）、Hampel 滤波（异常值剔除）和 Savitzky-Golay 平滑（多项式滤波）。滤波仅应用于特征提取，以保留分割阶段的运动敏感性。分割算法计算子载波幅度的标准差作为湍流指标，使用自适应阈值（基于湍流信号的移动方差）判断状态切换。MOTION 状态下提取特征，IDLE 状态仅监控基线。整个过程在 ESP32-S3 上延迟 <50ms，支持 10-100 包 / 秒的捕获率。项目强调实时性和低开销，MQTT 发布使用 QoS 0 模式，仅在显著变化或 5 秒心跳时发送数据，带宽 <1 KB/s。
要落地部署这一系统，需要关注硬件、软件和参数优化。首先，硬件选择：ESP32-S3 DevKitC-1（16MB Flash、8MB PSRAM），配备外部天线（IPEX 接口）以提升接收质量，总成本约 10 欧元。路由器需支持 2.4GHz WiFi（标准家庭设备即可），无需修改配置。软件环境：安装 ESP-IDF v6.1 框架，使用 C 语言构建固件，通过 esptool.py 刷写。MQTT 代理可选 Home Assistant（内置 broker）或独立 Mosquitto，支持多传感器部署（如每个房间一个）。放置指南至关重要：传感器距路由器 3-8 米，高度 1-1.5 米，避免金属障碍或角落；监控区域内放置以最大化多径多样性。调优参数包括：segmentation_threshold（默认 1.0，范围 0.5-2.0，根据环境噪声调整，高值降低假阳性）；filter_enable（布尔，启用滤波以提高特征质量）；feature_extraction（布尔，仅 MOTION 时提取以节省 CPU）；publish_interval（秒，1-5 秒平衡延迟和带宽）。校准步骤：静置 10 分钟建立基线，测试走动场景调整阈值，直至假警报 <5%。集成清单：1) 连接 MQTT（topic 如 home/espectre/room1）；2) 在 Home Assistant 创建 MQTT 传感器实体，状态为 movement (0.0-1.0)，属性包括特征值；3) 设置自动化，如运动触发灯光；4) 监控日志，优化功耗（典型 500mW，支持深度睡眠扩展）。回滚策略：若检测不准，禁用特征提取仅用分割，或缩短距离测试。
尽管优势明显，但风险与限制需注意。环境因素如墙材（混凝土减弱信号）和干扰（高 WiFi 流量）会降低灵敏度；系统仅检测通用运动，无法区分人 / 宠物或计数，需要 ML 扩展。隐私方面，CSI 数据匿名但可推断行为模式，使用前须获得同意，遵守 GDPR 等法规。功耗虽低，但连续运行需稳定电源；安全性上，MQTT 需加密以防数据泄露。未来，随着 IEEE 802.11bf 标准（2025 年发布），WiFi 感知将标准化，支持原生 CSI 提取，提升精度至 vital signs 检测（如呼吸）。ESPectre 的特征提取可作为 ML 数据集基础，结合 CNN/LSTM 实现活动识别或定位。
总之，ESPectre 展示了 WiFi CSI 在低功耗运动检测中的潜力，提供从原理到部署的完整路径。开发者可基于此扩展至多传感器融合或边缘 AI。
资料来源：
- GitHub 项目：https://github.com/francescopace/ESPectre
- Medium 文章：https://medium.com/@francesco.pace/how-i-turned-my-wi-fi-into-a-motion-sensor-61a631a9b4ec
- 参考论文：Wang et al. (2017), "Device-Free Crowd Counting Using WiFi Channel State Information", IEEE INFOCOM。