从WiFi信号中提取空间智能：RuView CSI感知系统的技术原理与部署实践

WiFi 路由器每秒钟向空间发射数千次无线电波，这些信号在遇到人体时会发生散射、反射和相位偏移。传统上，这些 "干扰" 被视为需要抑制的噪声；而 RuView 项目证明，通过捕获信道状态信息（Channel State Information, CSI），商用 WiFi 硬件可以转化为高精度的空间感知系统 —— 无需摄像头、无需可穿戴设备，甚至无需照明条件配合。

CSI vs RSSI：从信号强度到子载波级感知

传统 WiFi 感知依赖 RSSI（接收信号强度指示），仅能反映整体链路质量，无法区分信号变化源于人体移动还是环境波动。CSI 则提供了子载波级别的幅度与相位信息，在 20MHz 带宽的 802.11n 链路中，可提取 56 个子载波的状态矩阵。

当人体呼吸时，胸腔的微小位移（约 4-12mm）会改变多径传播路径，这种变化体现在特定子载波的相位漂移上。RuView 采用 0.1–0.5 Hz 带通滤波提取呼吸信号（6-30 BPM），0.8–2.0 Hz 带通滤波提取心率（40-120 BPM）。相比 RSSI 的粗粒度波动，CSI 的相位信息对亚毫米级位移敏感，这是实现非接触式生命体征监测的物理基础。

系统架构与关键性能指标

RuView 的感知流水线从 ESP32-S3 节点（约 $9 / 个）采集 CSI 数据开始，经过多频融合（6 个信道 ×56 子载波 = 168 虚拟子载波）、多静态融合（N×(N-1) 条链路）和一致性门控（Coherence Gate）过滤后，输入到轻量级神经网络。

核心模型经过 12.2M 步训练，4-bit 量化版本仅占用 8KB 内存，可在树莓派 5 上以微秒级延迟运行。系统声称在验证集上达到 100% 存在检测准确率，跌倒检测延迟 < 200ms，17 关键点姿态估计冷启动时间 8.4ms。这些指标使其适用于实时健康监护和安防场景。

项目提供 105 个可插拔的边缘模块（Cogs），覆盖健康监测（呼吸同步、心律失常检测、睡眠分期）、安防（入侵检测、玻璃破碎识别、徘徊预警）、建筑自动化（电梯人数统计、会议室占用、HVAC 联动）和零售分析（客流统计、热力图、排队长度估计）等场景。

部署配置与硬件要求

RuView 对硬件有明确的分层要求：

关键限制：ESP32-C3 和原始 ESP32 因单核架构无法支持 CSI DSP，必须使用 ESP32-S3。单节点部署的空间分辨率有限，建议至少部署 2 个节点形成多静态感知网络。穿墙感知范围约 5 米，受信号强度和墙体材质影响。

隐私悖论：无摄像头≠无风险

RuView 的核心卖点是 "无摄像头隐私保护"，这在医疗、养老、教育等敏感场景具有吸引力 —— 无需担心视频泄露、无需处理 GDPR/HIPAA 成像合规。然而，系统仍能推断高度敏感的行为模式：入睡时间、呼吸异常、跌倒事件、甚至房间级别的活动轨迹。

这种 "射频画像" 同样构成隐私风险。虽然无法直接识别人脸，但长期积累的 CSI 特征可以建立个人行为基线，识别特定个体的存在。部署者需要在便利性与监控边界之间做出权衡，明确告知被监测者数据采集范围，并考虑数据本地化存储（Cognitum Seed 支持 Ed25519 见证链和本地向量数据库）。

局限与适用边界

当前版本存在已知限制：无摄像头监督的姿态估计精度较低（PCK@20 约 2.5%），相机监督训练 pipeline 已实现但评估数据待发布；多人体场景下需要自适应 P95 归一化和去重因子调优；环境布局变化（家具移动）会改变射频指纹，需要重新校准。

对于工程实践，建议从单房间存在检测和呼吸监测入手，验证信号质量后再扩展至多节点姿态估计。系统提供 Docker 模拟模式，可在无硬件条件下验证信号处理 pipeline。生产部署应配置至少 3 个 ESP32-S3 节点形成冗余覆盖，并启用 Coherence Gate 过滤异常测量值。

资料来源

1. RuView GitHub 仓库: https://github.com/ruvnet/RuView
2. WiFi CSI 感知技术综述: WiFi Sensing with Channel State Information: A Survey (ACM Computing Surveys 2019)

systems