WiFi CSI 穿墙感知：从信号波动到人体轮廓的端到端系统实现

当 WiFi 信号穿透墙壁时，人体会对射频波产生散射、反射与吸收 —— 这些微小的信号扰动蕴含着丰富的空间信息。Carnegie Mellon 大学的研究团队率先证明了利用 WiFi CSI（Channel State Information，信道状态信息）实现 DensePose 姿态估计的可行性，而 RuView 项目则将这一研究成果转化为可部署的开源系统。本文将从技术原理、系统架构到工程实践，解析如何以不到 10 美元的硬件成本构建一套穿墙感知系统。

CSI vs RSSI：为什么信道状态信息能实现穿墙感知

传统 WiFi 感知依赖 RSSI（接收信号强度指示），但它仅能提供单一数值的信号强度，无法区分多径传播中的细微变化。CSI 则记录了每个子载波的幅度与相位信息 —— 在 2.4GHz 频段，56 个子载波构成了细粒度的信号指纹。

当人体在房间内移动时，其身体轮廓会改变射频波的传播路径，产生独特的多径特征。RuView 利用这一原理，通过 ESP32-S3 采集 CSI 数据，结合 Fresnel 区几何模型与多径建模，实现对墙壁后方目标的检测。根据项目文档，该系统在典型环境下可实现约 5 米的穿墙感知范围。

RuView 技术架构：从射频信号到人体姿态

RuView 的端到端流水线可分为六个核心阶段：

1. 信号采集层 ESP32-S3 节点通过 TDM（时分复用）协议在信道 1/6/11 上采集 CSI 数据。多频融合策略将 3 个信道 ×56 个子载波组合为 168 个虚拟子载波，显著提升空间分辨率。多静态融合则利用 N×(N-1) 条链路的几何关系，通过注意力机制加权不同视角的观测数据。

2. 信号预处理 原始 CSI 数据经过 Hampel 滤波器去除异常值，SpotFi 算法抑制多径干扰，BVP（呼吸波形处理）提取生命体征特征。相干门控（Coherence Gate）机制根据相位一致性自动接受或拒绝测量值，确保系统可连续稳定运行数天而无需重新校准。

3. AI 推理引擎 RuVector 作为核心 AI 骨架，采用 Transformer 与图神经网络处理 CSI 张量。整个模型仅占用约 55KB 内存（28KB Transformer 骨干 + 25KB 嵌入投影头），可在 ESP32-S3 上实时运行。MicroLoRA 适配器为每个房间提供 1,792 参数的环境微调能力，实现跨域泛化。

4. 边缘智能模块 系统内置 60 个 WASM 边缘模块，涵盖 13 个类别。关键模块包括：

• 生命体征检测：0.1-0.5Hz 带通滤波提取呼吸率（6-30 BPM），0.8-2.0Hz 带通滤波提取心率（40-120 BPM）
• 跌倒检测：相位加速度阈值判断 + 3 帧去抖动 + 5 秒冷却期，延迟 < 200ms
• 存在检测：相位方差与自适应阈值比较，延迟 < 1ms

5. 姿态估计输出 系统目标输出 17 个身体关键点坐标。值得注意的是，训练管道（WiFlow + AETHER + MERIDIAN 头）已完整实现，但预训练权重尚未发布（GitHub Issue #509 跟踪）。当前版本使用基于信号启发式（幅度方差、运动频带功率）的骨架驱动作为回退方案。

6. 安全与认证 所有测量数据通过 Ed25519 见证链进行密码学认证，确保数据完整性与可追溯性。

工程化部署参数与清单

对于希望实际部署的工程师，以下是关键配置参数：

硬件配置选项

关键性能指标

• 呼吸率检测：6-30 BPM，基于零交叉算法与循环方差
• 心率检测：40-120 BPM（需良好信噪比）
• 跌倒检测：<200ms 延迟
• 存在检测：<1ms 延迟
• 穿墙范围：约 5 米（信号依赖）

部署注意事项

• ESP32-C3 与原始 ESP32 不支持（单核，CSI DSP 能力不足）
• 单节点部署空间分辨率有限，建议使用 2 + 节点
• 首次部署需约 30 秒环境学习（自监督对比学习）
• 60 秒环境校准用于自适应阈值设定

隐私优势与合规考量

RuView 的核心价值之一在于其隐私保护特性。由于系统仅依赖射频信号而非光学成像，天然规避了 GDPR 视频条款与 HIPAA 成像合规要求。部署场景无需张贴摄像头标识、无需数据保留策略、无需用户明确同意 —— 这对于养老院、医院病房、更衣室等敏感场所尤为关键。

此外，系统可在全黑环境下工作，不受烟雾、灰尘、视线遮挡影响，在消防救援、灾难搜救等极端场景中具有不可替代的优势。

局限性与未来展望

当前版本存在以下技术限制：

1. 姿态精度：基于 CMU DensePose 研究的相机监督微调目标为 35%+ PCK@20，但目前仅完成管道实现，数据收集与评估阶段（ADR-079 P7-P9）仍在进行中。

2. 多人计数：当前使用子载波多样性启发式（除以 2 并封顶），非学习型计数器，在强射频干扰下可能出现误报。

3. 硬件依赖：完整 CSI 能力需要专用固件支持，消费级笔记本电脑仅能提取 RSSI 级别的粗略存在检测。

展望未来，随着预训练权重的发布与相机监督数据集的完善，基于 WiFi CSI 的穿墙感知有望从研究原型走向大规模商用，为智能家居、医疗监护、工业安全等领域提供低成本、高隐私的空间感知基础设施。

参考来源

• RuView GitHub 仓库: https://github.com/ruvnet/ruview
• CMU DensePose From WiFi 研究: https://syncedreview.com/2023/01/17/cmus-densepose-from-wifi-an-affordable-accessible-and-secure-approach-to-human-sensing/

systems