当我们讨论基于 WiFi 信号的人体感知时，业界从不缺乏概念验证论文 —— 从卡内基梅隆大学的 DensePose From WiFi 到各类 RF sensing 研究，demo 视频往往令人印象深刻。然而，将这些技术真正部署到生产环境时，工程师面对的是截然不同的挑战：如何在有限的嵌入式硬件上维持实时推理，如何处理多径效应带来的信号噪声，如何在无摄像头的前提下满足隐私合规要求。本文以开源项目 RuView 为例，深入解析 WiFi CSI 实时感知系统的工程化实现细节，提供可直接落地的参数配置与监控指标。
从原始 CSI 到人体姿态的实时管道架构
RuView 的信号处理管道并非简单的端到端神经网络，而是包含六个精心设计的阶段，每一阶段都针对特定工程问题进行了优化。理解这一管道架构，是进行任何部署调优的前提。
管道的第一阶段是 CSI 采集与相位清理。ESP32-S3 节点以 28.5 Hz 的频率捕获 WiFi 信号的信道状态信息，每个帧包含 56 至 192 个子载波的复数值（幅度与相位）。原始相位数据受到载波频率偏移（CFO）、采样频率偏移（SFO）和包检测延迟的污染。RuView 采用 SpotFi 算法的共轭乘法技术：对两天线对的海明格矩阵进行共轭相乘 H₁[k] × conj(H₂[k])，这种操作能够消除 CFO 与 SFO，仅保留由人体运动引起的相位变化。工程实现中，这一操作在 Rust 版本的管道中仅需 3.84 微秒完成。
第二阶段是 异常值过滤。传统 Z-score 方法使用均值与标准差检测异常值，但当数据本身已被异常值污染时，这种方法会失效 —— 统计学上称为 “掩蔽效应”。RuView 实现 Hampel 滤波器，使用中位数与中位绝对偏差（MAD）替代均值与标准差：σ̂ = 1.4826 × MAD。该方法能够容忍高达 50% 的数据污染而不失效。滤波器配置参数为 σ = 3，即超过 3 倍 MAD 的数据点被替换为窗口中位数。在 Rust 实现中，这一阶段的延迟为微秒级。
第三阶段是 子载波选择。并非所有子载波对人体运动同样敏感，部分子载波可能处于多径_null_（信号完全相消的位置）。RuView 计算每个子载波的灵敏度 sensitivity[k] = var_motion / var_static，选择灵敏度最高的前 10 至 20 个子载波。这一选择过程可将信噪比提升 6 至 10 dB。工程实践中，建议在部署前运行 30 秒的采集脚本确定敏感子载波列表，并将其硬编码到配置文件中，避免每次启动时重新计算。
第四阶段是 时频特征提取。RuView 对每个子载波执行滑动窗口短时傅里叶变换（STFT），生成 64×20 的频谱图矩阵。呼吸运动表现为 0.1 至 0.5 Hz 频段，步行运动表现为 1 至 2 Hz 频段，而静态干扰则分布在其他频段。这种二维时频结构使得后续的卷积神经网络能够捕捉到一位时间序列特征无法识别的空间模式。
第五阶段是 菲涅尔区建模。呼吸引起的胸腔位移不仅产生多普勒频移，还会导致信号穿越菲涅尔区边界时产生相长与相消干涉。简单的过零计数方法在多径丰富的环境中会完全失效。RuView 实现 FarSense 的菲涅尔区模型：ΔΦ = 2π × 2Δd / λ，A = |sin(ΔΦ/2)|，根据发射器 - 人体 - 接收器的几何关系预测呼吸信号出现的位置与幅度。这一物理模型使得呼吸检测在复杂室内环境中仍能保持稳定。
第六阶段是 神经网络推理。处理后的特征输入图 transformer 网络，输出 17 个 COCO 关键点人体姿态。RuView 提供四种模型规模：lite（189K 参数）、small（474K 参数）、medium（800K 参数）和 full（7.7M 参数）。在 Apple M4 Pro 芯片上，lite 模型达到 171K 嵌入每秒的吞吐量；在 ESP32-S3 上，4 位量化后的模型（8 KB）可直接运行，实现端侧推理而无需云端支持。
边缘部署：ESP32 节点的成本优化与配置参数
部署 WiFi CSI 感知系统的核心经济考量在于硬件成本。RuView 设计的最低配置仅需 9 美元的 ESP32-S3 开发板，这一价格点使得大规模部署成为可能。然而，要在如此受限的硬件上实现可靠的人体感知，需要精心配置多项参数。
固件层级配置。ESP32-S3 提供四级边缘智能模式，通过 provisioning 工具动态切换。Tier 0 为纯 CSI 上传模式，不进行本地处理；Tier 1 进行信号预处理、子载波选择与压缩，可节省 30% 至 50% 的传输带宽；Tier 2 增加 presence 检测、呼吸心率测量与跌倒检测；Tier 3 运行自定义 WASM 模块（60 多种），支持用户可编程的感知逻辑。配置命令示例如下：
# 启用 Tier 2（包含生命体征检测）
python firmware/esp32-csi-node/provision.py --port COM7 \
--ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20 \
--edge-tier 2
# 调整跌倒检测阈值（单位：毫径/s²，15000 = 15.0）
python firmware/esp32-csi-node/provision.py --port COM7 \
--edge-tier 2 --vital-int 500 --fall-thresh 15000 --subk-count 16
多节点组网配置。单节点存在盲点 —— 人体被躯干遮挡的肢体无法被有效感知。RuView 推荐部署 3 至 6 个节点组成时域复用（TDM）mesh 网络。每个节点轮流发送 CSI 信号，其他节点接收，形成 N×(N-1) 条测量链路。节点配置示例：
# 3 节点 mesh 的节点 0
python firmware/esp32-csi-node/provision.py --port COM7 \
--ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20 \
--node-id 0 --tdm-slot 0 --tdm-total 3
# 节点 1
python firmware/esp32-csi-node/provision.py --port COM8 \
--ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20 \
--node-id 1 --tdm-slot 1 --tdm-total 3
# 节点 2
python firmware/esp32-csi-node/provision.py --port COM9 \
--ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20 \
--node-id 2 --tdm-slot 2 --tdm-total 3
TDM 协议的关键参数包括：时隙间隔 50 毫秒，通道跳变支持 1/6/11 三个频段（每个频段停留 50 毫秒后跳变），聚合采样率达到 20 Hz。这一配置使得三节点 mesh 能够提供 12 条测量链路，覆盖 360 度空间。
关键监控指标。部署后应持续监控以下指标以确保系统可靠性：CSI 帧率应稳定在 28 Hz 左右（低于 25 Hz 表明信号质量问题）；子载波有效率应高于 80%（低于此值可能存在频谱干扰）；呼吸检测置信度应保持在 0.7 以上（低于 0.5 表明环境噪声过大，建议调整子载波选择参数或增加节点数量）；多人物追踪时 identity swap 次数应为零（10 分钟内超过 1 次 swap 表明 min-cut 算法参数需要调优）。
隐私合规：无需摄像头的感知设计
WiFi CSI 感知的核心隐私优势在于其完全不依赖光学成像。系统仅捕获无线电信号的幅度与相位变化，这些变化可以由人体运动引起，也可以由环境中的其他物体引起。这意味着部署方在大多数司法管辖区可以避开针对视频监控的严格法规 —— 包括 GDPR 中的生物特征识别条款与 HIPAA 中的医疗成像合规要求。
然而，隐私设计并不能仅仅依赖 “并非摄像头” 这一事实。RuView 在架构层面实现了多层隐私保护机制。首先，信号层面，系统仅处理 CSI 复数据的幅度与相位信息，无法还原出任何可辨识的视觉图像。即使攻击者获取了原始 CSI 数据，也无法从中重建房间的光学图像或识别个人身份特征。其次，存储层面，RuView 采用 Ed25519 密码学签名链（witness chain）确保数据完整性，任何对历史数据的篡改都会被检测发现。这一机制原本设计用于防止传感器数据伪造，在隐私语境下也确保了系统输出的可信度。再次，网络层面，所有节点间通信采用 QUIC 传输层加密（TLS 1.3 AEAD），防止中间人攻击窃听 CSI 数据流。
对于部署者而言，隐私合规实践还应包括：明确告知被监测者 WiFi 感知系统的存在（在 GDPR 语境下构成告知义务）；在多租户环境中确保 CSI 数据不会跨租户泄露；定期审计 witness chain 完整性确保系统未被篡改。值得注意的是，虽然 WiFi CSI 不涉及光学图像，但如果系统被用于持续监测特定个人的活动轨迹，在某些司法管辖区仍可能触发个人信息保护法规的合规要求。
实践要点：从概念验证到生产部署的关键参数清单
将 WiFi CSI 感知系统从实验室 demo 推进到生产部署，工程师需要关注以下关键参数与监控点。
在 信号处理管道 维度：共轭乘法相位清理是必选步骤，不应跳过；Hampel 滤波器的 σ 参数默认为 3，环境噪声较大时可调整为 2.5；子载波选择应基于实际部署环境进行校准，不建议使用默认全子载波配置；菲涅尔区建模对于呼吸检测稳定性至关重要，多径丰富的环境建议启用；图 transformer 推理延迟目标为每帧 18 微秒以内，超出此范围需降低模型规模或启用量化。
在 边缘部署 维度：ESP32-S3 仅支持 4MB 以上 flash 的型号，ESP32-C3 与原始 ESP32 不受支持（单核处理能力不足）；单节点部署的的空间分辨率有限，建议至少部署 2 个节点以获得基本的覆盖能力；边缘智能 Tier 2 可满足大多数场景需求（presence + vitals + fall），仅在需要自定义算法时才启用 Tier 3；多节点 TDM mesh 聚合延迟为 50 毫秒，单链路延迟低于 1 毫秒，满足实时监控需求。
在 性能监控 维度：呼吸率检测范围 6-30 BPM，心率检测范围 40-120 BPM，置信度阈值建议设为 0.7；多人物追踪能力约为每 AP 3-5 人，超过此数量需要增加 AP 节点；穿墙深度最大 5 米，混凝土墙壁穿透能力受信号频率影响，5 GHz 频段穿透性弱于 2.4 GHz；系统吞吐量在 Apple M4 Pro 上达到 164K 嵌入每秒，单台设备可支持 1600+ ESP32 节点。
在 隐私合规 维度：系统设计默认排除光学图像采集，部署方仍需履行告知义务；建议启用 witness chain 功能以确保数据完整性；多租户场景需实施网络隔离与访问控制。
资料来源：本文技术细节主要参考 RuView GitHub 仓库（https://github.com/ruvnet/RuView）及项目文档中的 Architecture Decision Records（ADR），涵盖 ADR-014（SOTA 信号处理）、ADR-018（ESP32 硬件管道）、ADR-021（生命体征检测）、ADR-024（自监督学习）与 ADR-032（mesh 安全加固）。