基于 WiFi 信道状态信息（CSI）的跨墙人体姿态追踪，在隐私保护、灾后搜救、智能家居等领域展现出巨大潜力。然而，墙体引入的强烈衰减与复杂多径效应，使得原始 CSI 信号信噪比骤降，姿态估计网络难以直接收敛。本文将聚焦于信号补偿层的工程化设计，构建一个从射频前端到深度学习模型的端到端补偿流水线，以实现稳定、实时的跨墙姿态追踪。
1. 核心挑战：墙体多径效应与信号衰减
墙体对 WiFi 信号的传播造成两大核心干扰：穿透衰减与多径效应。混凝土墙可使 2.4 GHz 信号衰减高达 10-20 dB，而信号在墙体表面和内部的反射、折射会生成大量延迟不一、强度各异的副本，严重污染 CSI 的相位与幅度信息。此外，收发器硬件固有的载波频偏（CFO）、采样频偏（SFO）以及天线间的固定相位偏置，在跨墙场景下会被进一步放大，使得基于相位差进行到达角（AoA）或飞行时间（ToF）估计的传统方法几乎失效。因此，一个鲁棒的补偿层必须协同处理射频（RF）布局、信号预处理、多径抑制以及模型侧的域适应。
2. 分层补偿架构：从物理层到算法层
2.1 RF 与硬件层优化
在物理层面进行优化，能为后续信号处理提供更干净的输入。关键参数包括：
- MIMO 与空间分集：至少使用 2×2 MIMO 配置，并将发射端（Tx）与接收端（Rx）部署在墙体两侧或呈正交布局。这能提供多个独立或弱相关的信号视角，部分路径可能经历更少的墙体反射，从而增强直接路径成分。
- 频段与带宽选择：优先使用穿透性更强的 2.4 GHz 频段，而非 5 GHz。带宽选择需权衡：较宽带宽（如 40 MHz）可提供更高的时延分辨率以分离多径，但可能加剧频率选择性衰落；较窄带宽则更稳定。实践中，20 MHz 是一个平衡点。
- 天线与部署：使用定向天线（如八木天线或板状天线）对准目标区域，可抑制来自其他方向的强反射 clutter。确保路由器稳固安装，避免微振动引入的相位噪声。
2.2 CSI 预处理与校准流水线
原始复数 CSI 矩阵 (H \in \mathbb {C}^{N_{rx} \times N_{tx} \times N_{sc}}) 必须经过严格校准才能用于跨墙感知。一个可复用的预处理流水线如下：
- 载波与采样频偏补偿（CFO/SFO Removal）：对每个数据包的相位随子载波索引进行线性拟合，减去拟合直线。此操作可消除由硬件晶振偏差引起的线性相位漂移，是恢复可用相位信息的基础。
- 天线间相位偏置校准：在静态无目标环境下采集一段 CSI，计算各天线对之间的平均相位差，作为固定偏置在后续数据中减去。
- 静态路径消除（Background Subtraction）：采用滑动时间窗口（如 5 秒）计算 CSI 幅度和相位的移动平均值，并从实时流中减去。此举可有效移除由墙体、固定家具产生的静态多径成分，凸显人体运动引起的动态变化。
- 子载波选择与降维：并非所有子载波都对人体运动敏感。可采用主成分分析（PCA）或基于方差的手动选择，保留前 k 个（如 k=10）对运动变化响应最显著的子载波成分，同时抑制噪声并降低数据维度。
- CSI 帧聚合（AveCSI）：将连续多个（如 10 个）CSI 数据包在时间维度进行平均，生成一个更稳定的 “CSI 帧”。这以牺牲少量时间分辨率（仍可满足 30 FPS）为代价，显著提升了信噪比。
2.3 多径抑制与特征构造
经过校准的 CSI 需进一步转化为对姿态估计友好的特征表示。关键步骤包括：
- 时频分析：对每个子载波的时间序列进行短时傅里叶变换（STFT）或连续小波变换（CWT），生成时频谱图。人体不同部位的运动会产生独特的微多普勒特征，这些特征在谱图中得以显现。
- 路径延迟门控：通过逆傅里叶变换将频域 CSI 转换为信道冲激响应（CIR）。分析 CIR 的幅度包络，仅保留早期到达的抽头（例如前 3 个显著峰值），这些抽头更可能对应经过墙体的直射或一次反射路径，而丢弃后期可能对应多次反射的 clutter。
- 构建特征图像：将多天线、多子载波的时频谱图或筛选后的 CIR 切片，按通道维度堆叠，形成一张多通道的 “特征图像”（例如，尺寸为 时间帧 × 子载波 × 通道）。这为后续的卷积神经网络处理提供了标准化的输入格式。
2.4 深度学习模型侧的补偿策略
即使经过前端补偿，跨墙数据与视距（LOS）数据域之间仍存在分布差异。需要在模型设计中融入补偿机制：
- 注意力机制：在骨干网络（如 ResNet 或 Transformer）中嵌入空间与通道注意力模块（例如 SE Block 或 CBAM），让模型自动学习关注那些受多径干扰小、与人体姿态相关性强的特征区域。
- 域对抗训练（Domain-Adversarial Training）：在训练时，同时使用 LOS 数据和有限的跨墙数据。在网络中引入一个域分类器，并通过对特征提取器施加梯度反转，迫使它学习域不变的特征表示，从而提升模型对未知墙体的泛化能力。
- 多任务学习：联合训练姿态估计（主任务）与辅助任务，如人体存在检测、粗略活动分类。辅助任务提供了额外的监督信号，有助于网络聚焦于与人体相关的信号成分，提高在噪声下的鲁棒性。
3. 工程化实现与参数清单
基于开源项目 WiFi-DensePose 的 Rust 高性能实现，以下是一组可落地的工程参数：
3.1 信号处理参数
| 模块 | 参数 | 推荐值 | 说明 |
|---|---|---|---|
| 采集 | 中心频率 | 2.412 GHz (信道 1) | 穿透性较好 |
| 带宽 | 20 MHz | 平衡分辨率与稳定性 | |
| 采样率 | 1000 包 / 秒 | 满足实时性 | |
| 预处理 | CFO/SFO 补偿窗口 | 每个数据包独立处理 | 线性拟合相位 |
| 静态背景更新窗口 | 5 秒 | 滑动平均 | |
| PCA 保留成分数 | 10 | 保留 95% 以上方差 | |
| CSI 帧聚合数 | 10 包 / 帧 | 输出约 100 FPS 的 CSI 帧 | |
| 特征构造 | STFT 窗口长度 | 64 采样点 | 约 64 毫秒时间窗 |
| STFT 重叠率 | 50% | 平衡时间分辨率与平滑度 | |
| CIR 保留抽头数 | 前 3 个显著峰值 | 门控延迟域 |
3.2 网络与推理参数
| 模块 | 参数 | 推荐值 | 说明 |
|---|---|---|---|
| 输入 | 特征图像尺寸 | 224×224× 通道数 | 适配标准 CNN 输入 |
| 骨干网络 | 架构 | CNN-Transformer Hybrid | 例如 CSIPose 或 CSI-Former 变体 |
| 注意力模块 | 通道与空间注意力 | 插入每个残差块后 | |
| 训练 | 域对抗权重 λ | 0.1 | 控制域不变性强度 |
| 多任务损失权重 | 姿态：1.0， 存在：0.3 | 平衡主辅任务 | |
| 推理 | Rust 流水线延迟 | < 20 µs | 参考 WiFi-DensePose Rust 版 |
| 端到端延迟 (含采集) | < 50 ms | 满足实时交互（20 FPS） |
3.3 监控与调优清单
部署后，需持续监控以下指标以确保系统稳定：
- 信号质量指标：实时 CSI 帧的幅度方差、相位连续性。若方差异常低，可能天线断开；相位跳变剧烈，可能需重新校准。
- 模型置信度：姿态关键点预测的平均置信度。持续低于阈值（如 0.7）可能表明环境变化过大，触发背景模型更新或提示重新校准。
- 跟踪连续性：跨帧同一 ID 的姿态关键点位置抖动（Jitter）。抖动过大可能源于多径干扰加剧，可自适应增加 CSI 帧聚合数以平滑输入。
- 资源占用：CPU / 内存使用率，推理线程延迟。Rust 实现应保持内存低于 150MB，单帧推理时间稳定在微秒级。
故障回滚策略：当监控指标连续异常超过 5 秒，系统自动切换至 “降级模式”：停止姿态估计，仅输出人体存在与粗粒度位置，同时记录日志并告警，提示运维人员检查硬件与环境。
4. 结语
跨墙 WiFi 姿态追踪的信号补偿是一个系统工程，不存在单一的 “银弹” 算法。本文提出的分层补偿架构，将 RF 优化、严谨的 CSI 预处理、物理启发的多径抑制与数据驱动的深度学习补偿相结合，并提供了一套可立即实施的参数与监控清单。随着 WiFi 6/7 标准对 CSI 精度的提升以及专用感知芯片的出现，信号补偿层的设计将更趋近于标准化模块，推动隐私安全的无接触感知技术走向大规模应用。
参考资料
- CSIPose: Unveiling Human Poses Using Commodity WiFi Devices Through the Wall. IEEE.
- Through-Wall Human Pose Estimation With WiFi. IEEE.
- WiFi-DensePose GitHub Repository. https://github.com/ruvnet/wifi-densepose