RSSI信号处理与卡尔曼滤波实现Commodity WiFi空间感知：隐私优先的边缘AI架构

从视频到射频：空间感知的范式转移

传统空间感知依赖摄像头或毫米波雷达，前者引发隐私合规噩梦（GDPR、HIPAA 成像规则），后者成本高昂且部署复杂。RuView 项目提供了一条替代路径：利用现有 WiFi 基础设施，通过分析射频信号扰动实现人体存在检测、呼吸监测甚至姿态估计。这种方案的核心优势在于 "零额外硬件"—— 利用已部署的 AP 和廉价的 ESP32-S3 节点（约 $9），即可构建覆盖全屋的感知网络。

技术路径分为两个层级：RSSI（接收信号强度指示）适用于普通 WiFi 设备，提供粗略的存在与移动检测；CSI（信道状态信息）需要 ESP32-S3 等支持 CSI 采集的硬件，可实现呼吸、心率甚至 17 个关键点的人体姿态估计。本文聚焦于 RSSI 层级的信号处理与边缘 AI 架构，探讨如何在资源受限环境下实现可靠的隐私保护型空间感知。

信号处理流水线：从原始 RSSI 到可用特征

相干性门控（Coherence Gate）

RSSI 信号的首要挑战是质量不稳定。多径效应、微波炉干扰（2.4GHz 频段）、人体移动都会造成信号抖动。RuView 采用的 Coherence Gate 模块通过分析子载波间的相位一致性来判定帧质量：

• Accept（接受）：相干性评分 > 0.75，帧质量良好，可用于所有感知任务
• PredictOnly（仅预测）：评分 0.40-0.75，使用缓存预测，不更新模型
• Reject（拒绝）：评分 < 0.40，跳过该帧
• Recalibrate（重新校准）：环境发生显著变化（方差超过初始值 4 倍），触发基线重置

该机制通过滞环状态机防止频繁切换：连续 5 帧低于阈值才降级，连续 10 帧高于阈值才恢复。这种设计在室内 WiFi 环境中至关重要 —— 实验表明，未经门控的 RSSI 数据误检率可达 30% 以上。

卡尔曼滤波与距离估计

RSSI 与距离的关系遵循对数路径损耗模型：RSSI ≈ A - 10n・log₁₀(d) + 噪声。卡尔曼滤波在此扮演双重角色：平滑测量噪声，估计隐藏状态（距离或接近度）。

状态转移模型采用简单的随机游走：d (t+1) = d (t) + w，其中 w 反映人体移动速度（通常设为每秒数厘米）。观测模型将 RSSI 映射为距离，通过在当前工作点线性化路径损耗方程实现。关键参数调优包括：

• 过程噪声 Q：反映预期移动速度，室内场景建议 0.01-0.1 m²/sample
• 测量噪声 R：由 RSSI 方差决定，多径环境下通常取 5-10 dBm²
• 滞环阈值：进入检测距离设为 2m，退出设为 3m，避免边界抖动

对于多 AP 部署，可将各 AP 的距离估计融合为区域级存在判定。RuView 的测试数据显示，三 AP 配置下房间级存在检测准确率可达 95% 以上，单 AP 场景则降至 80% 左右。

时序压缩与边缘存储

边缘设备的内存受限（ESP32-S3 约 520KB 可用），无法存储原始 RSSI 历史。Temporal Compress 模块采用三级量化策略：

在 20Hz 采样率下，该方案以 15KB 内存存储约 25 秒的历史数据，压缩比达 8:1 以上。这种时序记忆对检测呼吸（0.1-0.5Hz）和心率（0.8-2.0Hz）等低频生理信号至关重要 —— 算法需要在压缩数据中识别周期性模式。

边缘 AI 架构：WASM 模块与推理优化

模块化的 WASM 运行时

RuView 在 ESP32-S3 上部署 WASM3 解释器运行 Rust 编写的信号处理模块。所有 60 个模块均为no_std实现，零堆分配，共享 12 函数 API。信号智能类别的核心模块包括：

• Flash Attention：将 32 个子载波分为 8 组，计算注意力权重识别信号活动集中区域
• Optimal Transport：通过切片 Wasserstein 距离检测微妙运动（如呼吸、身体微动），即使总信号功率不变也能捕捉分布形状变化
• Min-Cut Person Match：维护最多 4 人的稳定身份标签，使用简化匈牙利算法进行帧间关联

每个模块标注性能预算：S 级（<5ms）、L 级（<2ms）、H 级（<10ms）。在 240MHz 主频下，完整信号处理流水线总延迟约 8ms，为应用层模块留出充足时间预算。

稀疏恢复与鲁棒性

WiFi 硬件偶尔会丢失子载波测量（深衰落、固件故障）。Sparse Recovery 模块使用 ISTA（迭代收缩阈值算法）进行 L1 稀疏优化重建：

x_{k+1} = soft_threshold(x_k + step·Aᵀ·(b - A·x_k), λ)

其中 A 为三对角相关模型（利用相邻子载波的高度相关性），最多迭代 10 次。当丢包率超过 10% 时触发恢复，典型场景下可将可用帧率从 85% 提升至 98%。

隐私设计：从架构层面消除风险

RuView 的隐私保护不是事后补丁，而是架构核心：

1. 无成像：CSI 数据不包含可识别的视觉信息，无法重建人脸或身体图像
2. 边缘处理：所有推理在 ESP32 本地完成，原始信号不上云
3. 加密见证链：每次测量通过 Ed25519 签名，确保数据完整性
4. 合规优势：无视频意味着无需遵守 GDPR 视频条款和 HIPAA 成像规则

这种设计对敏感场景尤为重要：医院病房监测（无需患者同意摄像头）、儿童看护（无视觉记录）、监狱牢房（24/7 生命体征监测无隐私争议）。

部署参数与工程建议

硬件配置

关键参数配置

Coherence Gate 阈值：

• HIGH_THRESHOLD = 0.75（接受门限）
• LOW_THRESHOLD = 0.40（降级门限）
• RECOVER_COUNT = 10（恢复所需连续好帧）

卡尔曼滤波器：

• 采样率：20Hz（平衡延迟与计算开销）
• 过程噪声 Q：0.05 m²/sample
• 测量噪声 R：8 dBm²
• 滞环：进入 2m / 退出 3m

Temporal Compress：

• HOT_END = 64 帧（3.2 秒 @20Hz）
• WARM_END = 256 帧（12.8 秒）
• CAP = 512 帧（25.6 秒总历史）

局限与应对

RSSI-only 方案存在固有限制：无法穿透厚墙（混凝土 > 30cm 时信号衰减严重）、多径环境下精度下降、单节点空间分辨率有限。建议通过多节点 Mesh 部署缓解 —— 每增加一个节点，空间分辨率线性提升。对于呼吸检测等精细任务，必须使用 CSI 级硬件，RSSI 的带宽和相位信息不足以支撑。

结语

RuView 展示了如何将无处不在的 WiFi 基础设施转化为隐私保护的空间感知层。通过卡尔曼滤波稳定 RSSI 测量、相干性门控过滤噪声、时序压缩适配边缘内存，这套架构在 $9 硬件上实现了原本需要数百美元传感器系统的功能。对于关注隐私合规的智能家居、医疗监测和安防场景，这种无摄像头方案提供了可行的技术路径。

资料来源

• RuView GitHub 仓库: https://github.com/ruvnet/RuView
• Signal Intelligence 模块文档: https://github.com/ruvnet/RuView/blob/main/docs/edge-modules/signal-intelligence.md
• RSSI-Based Distance Estimation Framework Using a Kalman Filter (Dongguk University)

ai-systems