在基于 WiFi Channel State Information（CSI）的穿墙人体姿态追踪系统中，原始信号充斥着多径干扰、硬件噪声与相位失真。要实现毫米级精度，一个精心设计的信号补偿层不可或缺。本文将以 WiFi DensePose 系统为蓝本，深度解析其信号补偿层的核心实现：多径建模与自适应滤波算法，并提供可直接落地的工程参数与监控清单。
一、多径信道建模：从频率选择性衰落中分离穿墙路径
WiFi CSI 本质上是频率选择性多径信道的频域采样。其数学模型可表示为： $$H (k) = \sum_{\ell=0}^{L-1} \alpha_\ell e^{-j2\pi f_k \tau_\ell}$$ 其中，$\alpha_\ell$ 和 $\tau_\ell$ 分别代表第 $\ell$ 条路径的复增益和时延。在穿墙场景下，路径可分为视距（LoS）、墙体反射、穿透墙体以及室内杂物散射等成分。
实现穿墙路径分离的关键在于延迟域分析。通过对跨子载波的 CSI 进行逆快速傅里叶变换（IFFT），我们可以得到近似的延迟剖面（Delay Profile）。工程实践中，一个有效的步骤是：
- 路径簇识别：在延迟剖面中，能量会聚集在几个主要的 “簇” 周围，分别对应不同的传播路径。通过峰值检测算法（如 CFAR）识别这些簇。
- 穿墙簇筛选：根据先验的几何信息（如发射端与接收端的直线距离、已知的墙体位置与厚度），计算穿墙路径的理论时延范围。将延迟落在此范围内的能量簇标记为 “候选穿墙路径”。
- 动态跟踪：由于人体移动会微调路径长度，穿墙路径的时延 $\tau_{wall}$ 和增益 $\alpha_{wall}$ 会随时间缓慢变化。使用简单的 α-β 滤波器或卡尔曼滤波器跟踪这些参数，可以提高后续姿态估计的稳定性。
可落地参数清单：
- IFFT 点数：通常与子载波数相同或进行零填充，例如从 64 点扩展到 128 点以提高延迟分辨率。
- 穿墙时延窗口：根据墙体厚度（d）和材料相对介电常数（ε_r）计算，$\Delta \tau = d \cdot (\sqrt {\epsilon_r} - 1) /c$，其中 c 为光速。将此窗口设为 $\tau_{los} \pm \Delta \tau$。
- 跟踪滤波器参数：对于缓慢移动的人体，过程噪声协方差 Q 可设为较低值（如 1e-6），测量噪声协方差 R 可根据 CSI 的信噪比动态调整。
二、自适应滤波：在噪声抑制与动态保留间取得平衡
原始的 CSI 时序数据包含脉冲噪声（来自突发干扰）、有色背景噪声（来自静态多径）以及我们关心的运动引起的微多普勒信号。自适应滤波的目标是最大限度地抑制前两者，同时保留后者的完整性与实时性。
一个经过验证的级联滤波流水线如下：
- 脉冲噪声抑制（Hampel 滤波器）：Hampel 滤波器基于滑动窗口内的中位数和绝对中位差（MAD）来识别并替换离群值。它对 CSI 幅度和相位中的突发尖峰特别有效。
- 背景噪声去除（小波阈值去噪）：使用离散小波变换（如 Db4 小波）将 CSI 信号分解到不同尺度。对细节系数应用软阈值处理，抑制高频噪声，同时保留代表人体运动的瞬变成分。
- 非高斯噪声自适应（偏度自适应卡尔曼滤波）：传统的卡尔曼滤波假设噪声为高斯分布，而多径环境下的噪声常呈现偏态。偏度自适应方案通过在线估计噪声的高阶矩（三阶矩）来动态调整滤波器的增益，从而在非高斯条件下获得更优的估计性能。
正如相关研究所指，“自适应滤波旨在去噪的同时追踪慢速信道漂移，而无需频繁重新训练模型”。这套组合滤波策略正是这一理念的工程体现。
可落地参数清单：
- Hampel 窗口大小：建议为 5-7 个时间样本，过大会平滑真实运动，过小则去噪不充分。
- 小波去噪阈值：采用通用阈值 $\lambda = \sigma \sqrt {2 \log N}$，其中 $\sigma$ 由最高层细节系数的中位数估计，N 为信号长度。
- 自适应卡尔曼参数：初始过程噪声 Q0 设为对角阵，对角线元素根据环境静态测试的经验值设定（如幅度 1e-3，相位 1e-2）。启用偏度估计模块，当估计的偏度绝对值持续大于 0.5 时，触发 Q 矩阵的增量调整。
三、相位补偿：校正硬件失真，解锁几何信息
未经处理的 CSI 相位包含载波频率偏移（CFO）、采样频率偏移（SFO）以及收发链固有的固定相位偏移，这些都会掩盖真实的传播相位。补偿是必须的预处理步骤。
一个稳健的相位补偿流程包括：
- 线性去趋势：对每个数据包的相位随子载波索引的变化进行线性拟合 $\phi_k = a \cdot k + b$，并减去该线性项。这有效消除了 SFO 和包定时误差引起的线性相位分量。
- 天线对差分相位：对于多天线系统，计算相邻天线接收的同一子载波的相位差。共有的 CFO 和固定偏移项被抵消，留下与到达角（AoA）相关的空间相位差，这对定位和姿态重建至关重要。
- 静态环境校准：在系统启动或环境显著变化时，采集一段无人活动的 CSI 数据，计算每个子载波 - 天线对的平均相位，作为 “静态相位偏移图” 存储并后续减去。
通过上述补偿，我们得到 “净化” 后的相位 $\phi_k^{true}$，它更真实地反映了电磁波传播路径的长度变化，从而支持毫米级的微动检测。
可落地参数清单：
- 线性拟合子载波范围：排除边缘子载波（通常噪声更大），例如仅使用索引 - 26 到 26 的有效子载波进行拟合。
- 差分相位对选择：优先选择物理间距已知的天线对，以便将相位差直接转换为路径差。
- 校准数据时长：静态校准至少持续 30 秒，以平均掉环境中的随机波动。
四、系统集成：从补偿层到毫米级姿态输出
在 WiFi DensePose 等系统中，上述补偿层通常被集成在 “模态转换网络”（Modality Translation Network）或类似的信号预处理模块中。其输出是经过多径分离、滤波降噪和相位校准的 “干净” CSI 特征，这些特征随后被输入到基于深度学习的姿态估计网络（如 DensePose-RCNN）。
工程集成时需注意：
- 流水线延迟：上述所有操作（IFFT、滤波、补偿）需在帧周期内（如 33ms 对应 30FPS）完成。Rust 版本的实现展示了巨大的性能潜力，将全流水线处理时间从 Python 的约 15ms 降低到微秒级。
- 参数可配置化：将滤波器窗口、阈值、校准标志等所有关键参数设计为可通过配置文件或 API 动态调整，以适应不同的部署环境（家庭、医院、救援现场）。
- 监控与反馈：实时监控补偿后信号的指标，如信噪比（SNR）、相位方差、穿墙路径能量的稳定性，并设计反馈机制。例如，当 SNR 持续低于阈值时，自动触发重新校准流程。
结论
实现毫米级精度的 WiFi 穿墙姿态追踪，其基石并非单一的复杂算法，而是一套系统化、可参数化的信号补偿工程体系。从基于物理的多径建模分离出穿墙路径，到级联自适应滤波在强噪声中提取微动信号，再到精细的相位补偿还原几何真相，每一步都需结合理论模型与工程实践进行精心调优。本文提供的参数清单与集成要点，为在实际系统中部署这一补偿层提供了直接的技术蓝图。随着硬件性能的提升与算法的持续优化，基于 WiFi CSI 的无接触、隐私保护的感知技术，必将在智能家居、健康监护与应急搜救等领域发挥更大价值。
资料来源
- Optimal preprocessing of WiFi CSI for sensing applications (arXiv:2307.12126)
- DensePose From WiFi (arXiv:2301.00250)