WiFi CSI 相位解缠与多 AP 信号融合：商品路由器亚厘米透墙姿态估计工程实践

在 WiFi 信道状态信息（CSI）驱动的人体姿态估计中，相位解缠（phase unwrapping）和多接入点（multi-AP）信号融合是实现亚厘米（sub-cm）精度、实时透墙跟踪的核心工程瓶颈。传统 WiFi CSI 相位因硬件偏移、载波频率偏移（CFO）和采样频率偏移（SFO）而呈现跳变伪影，直接输入神经网络会导致姿态估计偏差放大。通过工程化相位解缠算法去除这些结构化噪声，并融合多 AP 视角的 CSI 张量，可将相对运动分辨率提升至厘米级，甚至在非视距（NLOS）场景下接近 sub-cm 精度。本文聚焦 WiFi DensePose 项目实践，给出可落地参数清单、阈值选择及同步协议，确保在商品路由器（如 ASUS RT-AX88U）上部署。

CSI 相位解缠算法工程化

WiFi CSI 相位 φ_{i,k}(t)（天线 i、子载波 k、时刻 t）受限于 [-π, π] 包装，加上 CFO/SFO/packet 偏移，几乎随机化。解缠目标并非绝对相位恢复，而是提取相对连续相位，用于捕捉人体运动诱发的多径变化。标准流程源于 PhaseFi 等早期工作：逐包线性拟合去除偏移 + 1D 子载波解缠 + 时域平滑。

1. 逐包线性拟合去除偏移
   对每个包 t 和天线 i，在子载波 k 上最小二乘拟合线性模型：φ_{i,k}(t) ≈ a_i (t)・k + b_i (t)。

   • a_i (t) 捕捉 SFO 诱发频率斜率（典型 10^{-6} ~ 10^{-5} rad/subcarrier）。
   • b_i (t) 吸收包级公共偏移（CFO/packet delay）。
     校正相位：\tilde {φ}{i,k}(t) = φ{i,k}(t) - (a_i(t) · k + b_i(t))。
     参数阈值：拟合 R² > 0.85，否则丢弃包（噪声过高）；子载波数 ≥30（80MHz 信道）。Rust 实现中，此步 latency <4μs（4x64 CSI）。

2. 1D 子载波解缠
   在校正相位上，按子载波顺序遍历：若相邻跳变 |Δ\tilde {φ}| > π，则累加 / 减 2π 恢复连续性（NumPy unwrap 风格）。
   阈值选择：跳变阈值 θ_unwrap = π + ε（ε=0.1~0.5 rad，适应噪声）；最大累积跳变 <5・2π/ 包，避免异常值放大。WiFi DensePose 验证显示，解缠后 max error = 0.000000 rad。

3. 时域平滑与参考差分
   对每个 (i,k)，沿时间 unwrap + 低通滤波（截止 10Hz，人体运动频段）。可选：天线差分 Δφ_{i,j,k} = \tilde {φ}{i,k} - \tilde{φ}{j,k}（消除共同 CFO）；子载波差分 Δφ_{i,k} = \tilde {φ}{i,k} - \tilde{φ}{i,k0}（k0 = 中频子载波）。
   滤波参数：Hamming 窗 len=5~10 帧（33ms@30FPS）；z-score 归一化（μ=0, σ=1 / 包）。

落地清单：

• 预处理 pipeline：提取 arg (H_{i,k}) → 线性拟合 → 1D unwrap → 差分 → 滤波 → [amp, phase] 堆栈成 CSI image (antennas × subcarriers × time)。
• 异常检测：相位方差 >0.5 rad / 子载波 → 插值或丢弃。
• Rust/Python 基准：全 pipeline ~18μs（Rust v2），支持 54k FPS throughput。

此算法在 WiFi DensePose 中经数学验证，phase coherence=1.0，确保下游 DensePose Head（CNN/Transformer）输入稳定。

多 AP 信号融合协议

单 AP CSI 视角受限（AoA/ToF 退化），多 AP 融合模拟稀疏 MIMO 阵列，提升方位分辨率。通过墙场景需额外背景减法和几何建模。

1. AP 同步与采集
   36 个 AP（e.g., Netgear AX12），几何放置（墙周 510m 间距，2~3m 高）。时钟同步：有线 PPS/GPS 或软件 PTP（<1μs jitter）。统一信道（ch6@80MHz），采集全 MIMO CSI（2x2+）。
   同步协议：

   步骤	参数	阈值
   触发对齐	PPS pulse	jitter <100ns
   包级时间戳	NIC timestamp	Δt <1μs/AP
   背景采集	空室 10min	更新间隔 1h

2. 几何校准与背景减法
   激光测距定 AP / 接收机 3D 位姿（mm 级）。空室记录背景 CSI B_{ap,i,k}(t)，在线减法：ΔH = H - B（复数域）。墙模型：厚度 / 介电常数（混凝土 ε=69），相位衰减校正 δφ = (2π f /c)・d・√ε。
   参数：背景更新阈值 |ΔH_amp| <0.1（静态阈值）；墙衰减补偿 gain=1.22.0。

3. CSI 张量融合
   堆栈多 AP CSI 成 tensor T (APs × antennas × subcarriers × time)。

   • CP/PARAFAC 分解提取相干分量（rank=3~5，人体路径）。
   • 学习融合：每个 AP 视图 CNN 编码 → attention 多视图融合（DCCA 或 granularity-matching）。回归 3D 姿态 / 位置。
     融合参数：
     | 组件 | 配置 | 值 |
     |------|------|----|
     | Tensor rank | 路径数 | 4 |
     | Attention heads | 多视图 | 8 |
     | Fusion loss | MSE + smoothness | λ_smooth=0.1 |
     | 输出置信 | min=0.7 | 过滤低质 |

监控要点：Prometheus metrics - CSI SNR >15dB、融合一致性 corr>0.9、latency p95<50ms。回滚：单 AP 模式若多 AP Δpose>5cm。

部署与精度验证

在 WiFi DensePose（PyPI: wifi-densepose）上集成：env WIFI_INTERFACE=wlan0, POSE_CONFIDENCE_THRESHOLD=0.7。Docker 部署支持 GPU 加速，30FPS 多人跟踪。实测：透墙相对姿态误差 25cm（多 AP），优于单 AP 20cm+。Sub-cm 需 RIS 辅助反射，但纯 COTS 已生产级可用（Rust 100MB mem, 100% test cov）。

风险限界：带宽限 ΔR~1m，sub-cm 限相对运动；高噪环境降级至 10cm。未来：6GHz 多带融合。

资料来源：
[1] GitHub ruvnet/wifi-densepose（主要）。Phase unwrapping 验证 error=0 rad。
[2] WiFi CSI phase unwrapping 文献（PhaseFi-style）。

（字数：1268）