Hotdry.
归档
ai-systems

WiFi DensePose：CSI 相位解缠、多 AP 融合与实时穿墙姿态工程参数

基于 mesh WiFi 路由器实时穿墙人体姿态估计，详解 CSI 信号处理链：相位解缠启发式、去噪滤波、多 AP 校准融合及 Transformer 回归的可落地参数阈值。

WiFi DensePose 项目利用商用 mesh 路由器的 CSI（Channel State Information）信号，实现实时穿墙人体密集姿态（DensePose）估计，其核心在于精细的 CSI 信号链工程化处理：相位解缠、去噪、多 AP 融合与 Transformer 回归。这些步骤直接决定了系统的鲁棒性和实时性，尤其在穿墙场景下需应对多径衰减和硬件偏移。

CSI 相位解缠：去除 2π 跳变与线性畸变

CSI 相位是 WiFi 感知的核心特征，但受 CFO（载波频率偏移）、SFO（采样频率偏移）和硬件延迟影响，呈现非线性跳变和线性趋势。标准处理流程为：

  1. 逐子载波一维解缠：对每个天线对的每个数据包，在子载波维度（频率轴）上应用 np.unwrap（Python）或等价算法，消除 2π 模跳变。阈值：相邻子载波差值 > 3π 时丢弃包，避免测量异常。

  2. 线性趋势去除（PhaseFi 启发）：对解缠后相位 φ_meas (k)（k 为子载波索引）拟合线性模型 φ(k) ≈ a・k + b，使用最小二乘法求解 a, b。然后减去：φ_cal (k) = φ_meas (k) - (a・k + b)。此步移除时延和 CFO 引起的线性项，保留运动诱导的相对相位。

  3. 验证与参数：在空房间静态采集 10-60s 数据，检查解缠后相位稳定性。WiFi DensePose Rust 实现验证显示，解缠误差 < 1e-7 rad。该步耗时～3.84 µs（4x64 CSI 矩阵），支持 54k FPS 吞吐。

证据显示，此 heuristics 在多 AP 穿墙场景下将相位 SNR 提升 10-20 dB，避免下游 Transformer 学习噪声偏差。

去噪与幅度 / 相位融合

原始 CSI 幅度 / 相位噪声高（SNR ~10-20 dB），需滤波稳定：

  • 时域滤波：对每个 (天线，子载波) 流应用 2-4 阶 Butterworth 带通滤波，高通 0.05-0.2 Hz（去除静态 clutter），低通 8-12 Hz（人体运动 Doppler，极限 20 Hz）。窗长 1-3s。

  • 异常值剔除：计算运行中位数绝对偏差（MAD），偏差 > 5-10×MAD 的包丢弃。幅度转 dB 后，逐子载波归一化（零均值、单位方差），剔除 SNR < 5-10 dB 子载波（相对包中位数）。

  • 帧聚合：150 个连续 CSI 包（~0.5-1s @200-500 Hz 采样）重叠 50-75% 聚合，形成时 - 频 - 天线 “图像”。幅度与校准相位沿通道维拼接：(T=150, K=30, M=3x3, C=2)。

参数清单：

参数 值 作用
采样率 200-500 Hz 平衡运动捕捉与负载
聚合窗 100-200 包 DensePose 输入稳定
MAD 阈值 5-10× 实时异常抑制
子载波保留 SNR > -15 dB 减少噪声通道

此链路将噪声 std 从～0.5 rad 降至～0.05 rad，支持 Transformer 收敛加速 2x。

多 AP 校准与融合：空间多样性工程

单 AP 易受墙体遮挡，多 AP（3-4 个）提供互补视图：

  1. 时频同步：PTP/NTP 亚 ms 精度，或 RF 信标。残差对齐 <1-2 个 CSI 间隔。

  2. 静态校准：空房间 10-60s 平均校准相位 φ_bar (k)，在线减：φ'(k,t) = φ_cal (k,t) - φ_bar (k)。每个 AP 独立，推向统一 “零运动” 基线。

  3. 空间布局：AP 间距 5-10m，高 2-3m，多角度包围目标区。RSSI > -70 dBm 确保穿墙覆盖。记录 AP 天线 3D 坐标，与 DensePose 世界坐标对齐（刚性变换）。

融合策略（feature-level 最佳）：

  • 每个 AP 独立编码器（CNN/Transformer 时间 - 子载波 - 天线）。
  • 特征 F_i 拼接 + 注意力融合：权重 ∝ SNR 或置信（exp (-MPJPE/σ), σ=50-100mm）。
  • 输入扩展：(T, K, M×N_AP, 2)，加 AP-ID 嵌入。

穿墙优化：缓慢更新背景（τ=30-120s），残差能量 < η（闲置 FP<1%）时抑制输出。

Transformer 回归与 DensePose Head

CSI “图像” 经模态翻译网络（浅 CNN）转 128×720×3 特征图，接 DensePose head（IUV + 关键点掩码）。损失：体部 CE + UV L1。

参数：

  • Batch 32-64，GPU 混合精度。
  • 置信阈值 0.7，max_persons=10。
  • 追踪：IOU 0.3，max_age=30 帧。

Rust 全链路 18µs，支持 30 FPS 亚 50ms 延迟。

部署清单与监控

  1. 硬件：ASUS RT-AX88U 等 CSI 支持路由器，接口 wlan0 monitor 模式。
  2. 配置：CSI_BUFFER_SIZE=1000，POLLING=0.1s。
  3. 校准：10min 环境，wifi-densepose calibrate。
  4. 监控：Prometheus 指标（latency p95<67ms，准确 94%），Grafana 仪表盘。
  5. 回滚：SNR 降时降级单 AP，置信 < 0.5 警报。

风险：校准漂移（每周重校），厚墙衰减（限距 < 5m）。

此参数集基于开源实现，可直接 fork WiFi DensePose Rust port 落地。

资料来源：
[1] https://github.com/ruvnet/wifi-densepose “Phase Sanitization 验证 0 rad 误差，支持多 AP thru-wall。”
[2] arXiv:2301.00250 “DensePose From WiFi，提供 CSI 到 UV 映射基准。”

查看归档