Hotdry.
归档
ai-systems

WiFi DensePose Rust 实现在 Mesh 路由器上的实时姿态跟踪吞吐优化

基于 WiFi CSI 的 InvisPose Rust 实现，支持通过墙实时全身姿态跟踪，聚焦 mesh 路由器部署的生产级吞吐量参数与优化策略。

WiFi DensePose 是 InvisPose 的生产级 Rust 实现，利用商用 Mesh 路由器的 WiFi CSI 数据实现实时全身姿态跟踪，即使隔墙也能工作。其核心优势在于 Rust v2 端口带来的极致性能：全管道处理仅需 18.47 µs，支持～54,000 fps 吞吐量，远超 Python 版的～15ms 延迟。这使得它适用于高负载生产环境，如智能家居安防、医疗监护和灾区搜救。

Rust 管道的核心优化机制

Rust 实现聚焦信号处理瓶颈，包括 CSI 预处理、相位消毒和特征提取。这些步骤在 WiFi 感知中至关重要，因为原始 CSI 数据饱含硬件偏移、时钟抖动和多径干扰。

  • CSI 预处理：从 4x64 子载波矩阵开始，Rust 用 SIMD 指令批量计算幅度和相位，仅需 5.19 µs（Python 版 5ms，加速 1000x）。关键参数：子载波数 64/128/192（LLTF/HT/HT40），缓冲区大小 CSI_BUFFER_SIZE=1000，避免内存爆炸。

  • 相位消毒（Phase Sanitization）：采用 SpotFi 的共轭乘法消除 CFO/SFO，仅 3.84 µs。结合 Hampel 滤波器（中位数 / MAD 鲁棒异常值移除，抗 50% 污染），确保相位一致性。生产阈值：MAD 阈值 3.0，异常值丢弃率 <5%。

  • 特征提取：生成时频谱图（STFT）、多普勒谱和体速度剖面（Widar 3.0），9.03 µs 内完成。子载波选择用 WiDance 方差比排名 Top-K（K=32），聚焦运动敏感通道。运动检测仅 186 ns，支持亚毫秒响应。

全管道吞吐：CSI 预处理 49-66 Melem/s，相位 67-85 Melem/s，特征 7-11 Melem/s。内存降至 100MB（Python 500MB），WASM 支持浏览器端部署。这些优化源于无锁环形缓冲、零拷贝解析和自适应批处理，确保在 Mesh 网络波动下稳定。

“Rust (v2) 全管道仅 18.47 µs，~810x 加速。” 该 repo 基准验证了数学正确性：相位展开误差 0 弧度，多普勒 33.33 Hz 精确匹配。

Mesh 路由器部署的最佳实践

商用 Mesh（如 ASUS RT-AX88U、TP-Link Archer AX73）无需特殊硬件，仅需 CSI 提取支持（Intel 5300/ Atheros AR9580 或 ESP32-S3）。推荐 3-6 个节点，形成空间多样性。

  • 硬件拓扑：

    组件 配置 成本 性能
    ESP32 Mesh 3-6x ESP32-S3 + 消费路由 ~$54 20 Hz CSI，<1ms UDP 延迟
    研究 NIC Intel 5300 ~$50 3x3 MIMO 全 CSI
    商品 WiFi Linux 笔记本 $0 RSSI 粗运动

    ESP32 节点以 promiscuous 模式捕获 CSI（20 Hz），UDP/5005 推送到 Rust 聚合器（cargo run --bin aggregator）。间距 5-10m，高 2-3m，避免线性布置，确保多径覆盖。

  • 网络优化：

    • 专用回程：三频 Mesh 用 5/6GHz 隔离客户端流量，感知用固定信道（Ch6，20MHz 窄带减干扰）。
    • QoS 优先：CSI 流量低优先，警报高优先。自适应采样：RTT >50ms 时降至 10 Hz。
    • 负载均衡：Rust 适配器监控背压，丢弃旧帧而非阻塞 NIC。

ESP32 实测：帧率 20 Hz 持续，运动分数 3m 达 10/10。

生产参数与落地清单

为实现 sub-50ms 端到端延迟，配置如下：

  1. 环境变量（.env）：

    WIFI_INTERFACE=wlan0
CSI_BUFFER_SIZE=1000
HARDWARE_POLLING_INTERVAL=0.1s
POSE_CONFIDENCE_THRESHOLD=0.7
POSE_PROCESSING_BATCH_SIZE=32
POSE_MAX_PERSONS=10

  2. Rust 构建与启动：

    cd rust-port/wifi-densepose-rs
cargo build --release
cargo bench --package wifi-densepose-signal  # 基准验证
cargo run --bin aggregator -- --bind 0.0.0.0:5005

  3. API 部署：FastAPI + WebSocket，workers=4，Prometheus 指标（/metrics）：pose_detections_total, processing_duration_seconds。

  4. 监控与回滚：

    指标 阈值 动作
    管道延迟 p95 >67ms 降批次大小至 16
    CSI 丢帧率 >5% 扩缓冲至 2000
    Mesh RTT >100ms 暂停低优先区
    内存 >80% 重启 aggregator

    回滚：./verify 校验管道（SHA-256 证明），若失败回 Python 版。Grafana 面板：检测率、延迟直方图。

  5. 容错策略：

    • 无硬件：RSSI 路径（ADR-013），粗存在检测。
    • 多租户：JWT 认证，速率限流。
    • 灾备：WiFi-Mat 模式，呼吸检测（Fresnel 模型），START 分诊。

这些参数经 repo 验证，支持 10 人同时跟踪，94% 姿态精度。通过自适应与 QoS，Mesh 吞吐降损 <10%，正常 WiFi 不受影响。

风险与局限

  • 干扰：高负载客户端饱和频谱，监控空气时间 <30%。
  • 精度：墙厚 >30cm 衰减，需多 AP 融合。
  • 隐私：匿名化数据，保留 30 天。

总体，Rust WiFi DensePose 将 WiFi 感知推向生产，Mesh 部署简单高效。

资料来源：

查看归档