WiFi DensePose 技术利用商用 Mesh 路由器的信道状态信息（CSI）信号，实现穿墙实时全身人体姿态跟踪，避免了传统相机隐私泄露和光照限制。这种方法的核心观点在于：人体运动对 WiFi 多径信号的调制可被深度网络解码为 DensePose UV 坐标，提供像素级身体表面映射，适用于老人监护、跌倒检测等场景。
CSI 信号编码人体姿态的证据源于其幅度和相位变化：人体反射和散射导致特定子载波的相移和衰减模式，这些模式随姿态变化而独特。CMU 研究证明，通过同步 RGB 数据监督，WiFi CSI 可逼近图像 DensePose 的精度，即使在墙后也能工作，因为 WiFi 信号可穿透干墙。
生产管道从信号采集开始。硬件选用支持 CSI 暴露的芯片，如 Intel 5300/7260 或 Atheros AR9300，确保 802.11n/ac 模式下多天线 MIMO 配置（至少 3x3）。采样率设为 100 Hz，每帧 CSI 张量维度为天线对 × 子载波（典型 30 个）× 时间栈（5 帧叠加捕捉运动）。Mesh 部署清单：3-5 个路由器，安装高度 2-3 米，间距 5-10 米，对角布置天线最大化空间多样性；覆盖区重叠 50% 以防盲区。
信号处理模块至关重要。首先，相位 sanitization 去除硬件偏移：计算相位差 Δφ = φ_rx - φ_tx，使用 PCA 降噪，阈值 σ_phase <0.1 rad。接着，幅度归一化到 [0,1]，滤波器参数：高斯 σ=1.5，低通截止 20 Hz 去除抖动。空间分解可选 AoA/ToF 变换，将 CSI 转为热图（分辨率 64x64），提升多人类分离。处理延迟目标 <10 ms / 帧，使用 FFT 加速子载波插值。
ML 推理采用 encoder-decoder 架构：CSI 编码器（ResNet-18 变体）将 sanitized 张量转为 2D 特征图（H/4 x W/4 x 256），注入 DensePose-RCNN head 输出 UV 地图（24 身体部位，每点 (u,v) ∈ [0,1]²）和边界框。训练策略：从预训练图像 DensePose 迁移，损失 L = L_uv + 0.5 L_bbox + 0.3 L_kp（辅助关键点），AdamW 优化器 lr=1e-4，batch=16，epoch=100。推理时 ONNX 导出，TensorRT 加速 FPS>30。多人跟踪用 SORT 算法，阈值 IoU>0.5，Kalman 滤波平滑轨迹。
部署参数优化如下：
硬件清单：
- AP：TP-Link/Asus Mesh，支持 OpenWRT，刷 CSI 固件。
- 服务器：NVIDIA Jetson 或 i7+RTX3060，内存 > 16GB。
- 网络：2.4GHz 优先，低干扰通道 1/6/11。
监控点：
- CSI 质量：信噪比 SNR>15 dB，相位稳定性 <5° 波动。
- 推理延迟：<50 ms 端到端，超时重连 2s。
- 姿态精度：AP@0.5 >0.7（与 DensePose 基准比），通过墙衰减 < 20%。
回滚策略：
- 低 SNR 时降级到骨骼估计（WiFi 关键点）。
- 环境变化：在线微调，采集 10min 本地数据 finetune 5 epochs。
- 容错：多 AP 投票，丢失一 AP 精度降 < 10%。
实际落地案例：在 10x10m 公寓，3 AP 部署，墙后跟踪精度达 85%（室内 92%），功耗 <5W/AP，支持 WebSocket 流式输出 JSON {timestamp, poses: [{uv_map, bbox, id}]}。相比 InvisPose 等，此 repo 提供 REST API 和 Docker 化管道，便于集成。
潜在风险：固件 hack 需 root 权限，跨设备泛化需域适应（如 AdaPose）；解决用标准化 CSI 接口和周期性校准。
此技术落地阈值：原型 1 周（现成模型），生产 1 月（自定义训练）。参数调优脚本见 repo 示例。
资料来源：
- GitHub: ruvnet/wifi-densepose
- CMU Thesis: Dense Human Pose Estimation From WiFi (ri.cmu.edu)
- arXiv: 2301.00250 DensePose From WiFi
（正文字数：1028）