基于商用 WiFi 路由器实现穿墙毫米级人体姿态追踪，是近年来感知领域的一项突破性进展。以 InvisPose 为代表的生产级系统，通过提取信道状态信息（CSI）并利用深度学习模型，已能实现实时全身体态估计。然而，穿墙环境带来的信号衰减与复杂的多径反射，严重制约了最终姿态估计的精度。信号衰减可达 20-40dB，而多径效应则导致 CSI 的幅度和相位产生严重畸变，使得直接用于姿态估计的原始信号信噪比低下。因此，在原始 CSI 数据输入到姿态估计网络之前，设计一个高效、实时的信号补偿层，对多径干扰进行建模与滤除，成为提升系统性能的关键。本文将聚焦于该补偿层的核心实现：多径建模的参数化工程方法，以及自适应滤波算法的选型、调参与系统集成。
多径建模：从理论到可部署的参数化模型
理想的多径信道模型，如经典的 Saleh-Valenzuela 模型，将信道冲激响应描述为多个到达簇的叠加，每个簇内包含多条径，每条径有其独立的复增益、时延和到达角。然而，在嵌入式路由器上实时求解如此高维的参数是不现实的。工程实践中，必须进行合理的简化与参数化。
一种有效的思路是采用低维状态空间表示。将每个时刻从所有子载波、所有天线收集到的 CSI 向量视为观测值。通过主成分分析（PCA）或其在线变种，提取前 K 个主成分作为 “信道状态” 的压缩表示。这个低维状态向量即表征了当前时刻主导的多径结构。其状态转移可以建模为一阶自回归过程：x[n] = A * x[n-1] + q[n]，其中 x[n] 是低维状态，A 是状态转移矩阵（通常接近单位阵，表示信道缓慢变化），q[n] 是过程噪声。观测方程则为 y[n] = C * x[n] + r[n]，y[n] 是观测到的 CSI 向量，C 是观测矩阵（即 PCA 的载荷向量），r[n] 是观测噪声。
这种方法的优势在于，它将复杂的多径物理参数估计问题，转化为了一个低维状态的跟踪问题，极大降低了计算复杂度。状态维度 K 的选择是关键参数：过小会丢失关键多径信息，过大则增加计算负担且易引入噪声。对于典型的 3 天线、56 子载波的 802.11n/ac 系统，K 取 3 到 8 通常能在精度与效率间取得良好平衡。
自适应滤波算法选型与关键参数调优
有了多径的状态空间模型，下一步是采用自适应滤波算法对状态进行实时估计与更新，从而分离出 “相对稳定” 的多径背景和 “快速变化” 的信号成分（其中包含人体运动信息）。常用的算法有 LMS/NLMS 和卡尔曼滤波。
1. 归一化最小均方（NLMS）滤波
NLMS 算法实现简单，计算量小，非常适合在资源受限的设备上对每个子载波独立运行。其核心迭代公式为：w_k[n+1] = w_k[n] + μ * (e_k[n] * u_k[n]) / (||u_k[n]||^2 + ε)。其中，w_k 是第 k 个子载波的滤波器权向量，u_k[n] 是由过去 L 个时刻的 CSI 值构成的输入向量，e_k[n] 是预测误差。
关键参数包括：
- 步长 μ：控制收敛速度与稳态误差。经验值在 0.01 到 0.1 之间。在系统启动或环境突变时，可采用较大的 μ（如 0.1）以快速收敛；进入稳态后，切换为较小的 μ（如 0.01）以降低稳态误差。
- 滤波器长度 L：决定了滤波器记忆的时长。L 太短无法有效建模多径时延扩展，太长则响应迟钝且计算量增大。对于室内典型时延扩展（~100ns），对应约 2-4 个采样点（假设 CSI 采样率 200-400Hz）。建议 L 初始设为 4。
- 正则化常数 ε：防止输入向量功率过小导致数值不稳定，通常设为一个小正数，如 1e-6。
2. 卡尔曼滤波（KF） 如果采用了前述的低维状态空间模型，卡尔曼滤波是更自然且最优（在高斯假设下）的选择。它不仅能给出状态估计，还能提供估计误差的协方差。在 CSI 补偿场景中，需要对标准卡尔曼滤波进行两项关键工程调整：
- 自适应噪声协方差：过程噪声协方差矩阵 Q 和观测噪声协方差矩阵 R 不能设为固定值。建议采用指数加权移动平均（EWMA）在线估计 R：
R_hat[n] = β * R_hat[n-1] + (1-β) * (y[n] - C*x_hat[n|n-1])*(...)‘。β 可取 0.95-0.99。当残差能量持续较大时，可适当调高 Q，增强滤波器跟踪快速变化的能力。 - 异常值抑制：CSI 数据中常伴有硬件引入的突发异常值。在卡尔曼滤波的更新步骤中，可引入一个 Huber 损失函数或对残差进行幅度裁剪，以防止少数异常样本导致滤波器发散。
算法选型建议：若系统计算资源极其紧张，且对精度要求不是极端苛刻，优先选择每子载波 NLMS。若已构建低维状态空间模型，且追求更高精度的多径抑制与状态跟踪，则选择卡尔曼滤波。一个折中方案是，在系统启动阶段用一段数据训练出 PCA 矩阵 C 和初始状态，之后固定 C，仅用卡尔曼滤波跟踪状态向量 x，这比完全自适应的卡尔曼滤波计算量更小。
系统集成、性能评估与工程挑战
在 InvisPose 这类系统中，补偿层应作为数据预处理管道的一个模块嵌入。其输入是经过初步校准（去除公共相位误差、采样时钟偏移等）的原始 CSI 张量，输出则是经过多径抑制后的 “纯净” CSI，或直接输出用于姿态估计的残差信号（即自适应滤波器的误差信号 e[n]）。有研究表明，残差信号中包含了更集中的人体运动引起的微多普勒特征。
集成后需从两个维度评估性能：
- 信号质量提升：计算补偿前后 CSI 的时域平滑度（如相邻样本差分方差）、信噪比（可通过静态时段方差估计）等指标。有效的补偿应显著提升平滑度、降低静态噪声方差。
- 下游任务精度提升：将补偿前后的数据分别输入到训练好的 InvisPose 姿态估计网络，比较关节点定位误差（如 MPJPE）。这是最终的验收指标。实验表明，一个设计良好的补偿层可将穿墙场景下的姿态估计精度提升 15%-30%。
然而，工程落地面临严峻挑战：
- 实时性约束：从 CSI 采集到姿态估计结果输出，全程延迟需控制在 50-100ms 以内，以满足交互应用需求。补偿层（尤其是卡尔曼滤波）的计算耗时必须严格预算。在嵌入式路由器（如基于 ARM Cortex-A53 的 SoC）上，需对矩阵运算进行高度优化，或采用定点算术。
- 环境自适应：家具移动、门窗开合会改变多径结构。补偿层必须具备在线学习能力。可以设置一个 “背景模型更新” 线程，当检测到系统处于长期无人状态时，用新数据缓慢更新 PCA 矩阵 C 和滤波器噪声参数，实现模型的渐进式适应。
结论与展望
面向穿墙 WiFi 姿态追踪的信号补偿层，其核心在于通过参数化的多径建模降低问题复杂度，并利用精心调参的自适应滤波算法实现实时干扰抑制。NLMS 和卡尔曼滤波是两种各具优势的可选技术路径，工程师需根据具体硬件资源和精度要求进行权衡选择。成功集成后，该层能显著提升下游姿态估计的鲁棒性与精度。
未来的优化方向包括：探索更轻量级的神经网络（如 TinyML）直接学习从原始 CSI 到补偿后 CSI 的映射，以替代传统滤波算法；研究联邦学习框架，使多个路由器协同学习并适应整个建筑内的多径环境；以及设计硬件感知的算法，充分利用现代 WiFi 芯片集成的基带处理能力，将部分补偿计算下放到硬件层面，从根本上解决实时性瓶颈。
资料来源
- ruvnet/wifi-densepose: Production-ready implementation of InvisPose. GitHub.
- Zhou, G. et al. "WiFi Sensing with Channel State Information: A Survey." ACM Computing Surveys, 2019. （本文在撰写过程中，参考了上述资料中关于 CSI 挑战、多径模型及滤波技术的论述，并进行了工程化解读与参数引申。）