ESPectre Wi-Fi CSI 运动检测实战：从信号采集到 Home Assistant 集成

Wi-Fi 信号不仅能传输数据，还能感知环境。ESPectre 项目利用 ESP32 的 CSI（Channel State Information，信道状态信息）功能，将普通的 Wi-Fi 路由器与廉价的微控制器转化为一套无需摄像头、无需麦克风的被动式运动检测系统。这种方案在保护隐私的同时，实现了穿墙检测、多人区域覆盖等能力，非常适合智能家居场景下的存在感应与安防监控。

技术原理：从 RSSI 到 CSI

传统的 Wi-Fi 感知依赖 RSSI（接收信号强度指示），但它只能反映整体信号强度，分辨率极低。CSI 则提供了每个 OFDM 子载波的幅度与相位信息，在 HT20 模式下可获取 64 个子载波的详细信道响应。当人体在空间中移动时，会改变多径反射路径，导致 CSI 的幅度和相位发生可测量的变化。ESPectre 正是通过监测这些变化来检测运动。

与 RSSI 相比，CSI 的优势在于时间分辨率高（可达 100Hz 采样）、空间敏感度高（可检测微小动作）、且不受设备发射功率波动影响。这使得它能够在没有视觉线索的情况下，可靠地检测房间内是否有人活动。

硬件选型与部署要点

ESPectre 支持多种 ESP32 芯片，包括 ESP32-S3、ESP32-C6、ESP32-C3 以及经典 ESP32。其中 ESP32-S3 和 ESP32-C6 是推荐平台，因为它们支持增益锁定（Gain Lock）功能，可获得更稳定的 CSI 数据。

硬件成本极低：一块 ESP32 开发板约 €10，配合现有的 2.4GHz Wi-Fi 路由器即可工作。部署时需注意以下关键参数：

距离与位置：传感器与路由器的最佳距离为 3-8 米。此范围内信号强度适中（RSSI -40 至 -70 dBm），AGC（自动增益控制）值在 30-60 之间，可获得最佳检测灵敏度。距离小于 2 米时，信号过强可能导致 AGC 饱和，甚至触发系统冻结。

安装高度：建议将传感器放置在离地面 1-1.5 米的高度，如桌面或书架。避免金属障碍物（如冰箱、金属柜）阻挡信号路径，同时避免将传感器置于角落或封闭空间，以减少多径多样性损失。

天线选择：使用外置 IPEX 天线可显著改善接收质量，特别是在需要穿墙检测的场景。

Home Assistant 集成

ESPectre 以 ESPHome 组件形式提供，配置完全通过 YAML 完成，无需编程。设备启动后会自动通过 ESPHome Native API 接入 Home Assistant，并自动发现以下实体：

• binary_sensor.espectre_motion_detected：运动状态（IDLE/MOTION），状态变化时立即上报
• sensor.espectre_movement_score：运动强度评分（0-10），按 publish_interval 周期更新
• number.espectre_threshold：可调检测阈值，支持运行时修改

这种原生集成意味着你可以直接基于运动状态触发自动化规则，如 "检测到运动时开启灯光"、"无人时关闭空调" 等。多个传感器可同时部署，实现全屋覆盖。

信号处理流水线

ESPectre 的处理流程经过精心设计，从原始 CSI 数据到最终的运动检测结果，包含多个关键阶段：

CSI 原始数据 (64 子载波)
    ↓
增益锁定 (AGC/FFT 稳定化, ~3秒)
    ↓
子载波选择 (NBVI 算法, ~10秒)
    ↓
空间湍流计算 (12 选定子载波的标准差)
    ↓
Hampel 滤波器 (异常值剔除)
    ↓
低通滤波器 (可选, 11Hz Butterworth)
    ↓
移动方差计算 (滑动窗口)
    ↓
阈值判定 (自适应或固定)
    ↓
状态机 (IDLE ↔ MOTION)

增益锁定是确保数据质量的关键步骤。ESP32 的 Wi-Fi 硬件包含自动增益控制，会动态调整信号放大倍数。ESPectre 在前 300 个数据包期间采集 AGC 和 FFT 增益样本，计算中位数后锁定这些值，消除硬件引起的幅度波动。对于不支持增益锁定的芯片（如经典 ESP32），系统会自动启用 CV 归一化（Coefficient of Variation，变异系数），通过计算标准差与均值的比值来获得增益不变的湍流度量。

NBVI 子载波选择算法

并非所有 64 个子载波都同样适合运动检测。某些子载波可能信噪比过低、过于嘈杂，或处于保护频段。ESPectre 采用 NBVI（Normalized Baseline Variability Index）算法自动选择最优的 12 个子载波。

NBVI 算法在设备启动时运行，采集约 10 秒（1000 个数据包）的基线数据，计算每个子载波的多个指标：经典 NBVI 分数（能量加权）、熵奖励分数（惩罚平坦分布）、MAD 稳健分数（使用中位数绝对偏差）。算法会生成四种候选子载波组合，通过内部验证选择假阳性率低于 5% 的最优组合。

选择非连续子载波的策略提供了频谱多样性，使系统对不同环境的适应能力更强。实测表明，NBVI 算法可在零手动配置的情况下实现 F1 分数超过 96% 的检测精度。

双检测模式：MVS 与 ML

ESPectre 提供两种检测算法，适应不同场景需求：

**MVS（Moving Variance Segmentation，移动方差分割）** 是默认算法。它计算湍流值的滑动窗口方差，当方差超过自适应阈值时判定为运动状态。MVS 使用自适应阈值（默认 P95 × 1.1），在最小化假阳性的同时保持高召回率。但该模式需要约 13 秒的启动校准时间（3 秒增益锁定 + 10 秒子载波选择）。

**ML（神经网络检测器）** 是实验性功能，使用轻量级 MLP 网络（9 输入 → 32 → 16 → 1）。它从 100 个湍流值的滑动窗口中提取 9 个统计特征（均值、标准差、最大值、最小值、IQR、偏度、自相关、MAD、波形长度），输出运动概率。ML 模式使用固定的 12 个子载波，无需子载波校准，启动时间仅约 3 秒。其优势在于跨环境泛化能力强，无需针对每个房间重新校准。

选择哪种模式取决于具体需求：MVS 适合长期部署且环境稳定的场景，ML 适合需要快速启动或频繁移动设备的场景。

调参与优化实践

采样率与窗口大小：默认配置使用 100 pps（每秒数据包）的采样率和 100 个数据包的滑动窗口（对应 1 秒）。根据奈奎斯特采样定理，100Hz 采样足以检测 50Hz 以下的运动频率，覆盖人类行走、手势等常见活动。如需检测更快动作（如体育动作），可将采样率提升至 600-1000 pps。

阈值调整：自适应阈值在大多数情况下表现良好。如遇到过多假阳性，可尝试将 segmentation_threshold 从 auto 调整为固定值（如 2.0-5.0）；如漏检较多，可尝试 min 模式或降低至 0.5-0.8。

滤波器配置：Hampel 滤波器默认启用（窗口 7，阈值 5.0 MAD），可有效剔除 RF 干扰引起的异常尖峰。低通滤波器默认关闭，在噪声较大的环境中可启用 11Hz Butterworth 滤波，在保持 92% 召回率的同时将假阳性控制在 3% 以下。

运行时校准：MVS 模式下，可通过 Home Assistant 中的 Calibrate 开关触发重新校准，无需重新刷写固件。校准时需确保房间安静无人，持续约 13 秒。

局限与注意事项

ESPectre 目前仅支持二元状态检测（有人 / 无人），无法区别人与宠物，也无法识别具体人数或活动类型。这些高级功能需要训练专门的机器学习模型，目前处于研究阶段。

隐私方面，CSI 数据仅包含信道物理特性（幅度、相位），不包含身份信息、通信内容、图像或音频。但系统仍可能用于非自愿监控，部署时应确保获得被监测人员的明确同意，并遵守当地隐私法规。

总结

ESPectre 将学术级的 Wi-Fi 感知技术转化为实用的智能家居组件。通过 NBVI 自动子载波选择和自适应阈值，它实现了开箱即用的运动检测能力；通过 ESPHome 原生集成，它无缝融入现有的智能家居生态。对于追求隐私保护、需要穿墙检测或希望降低硬件成本的用户，这是一个值得尝试的方案。

参考来源

• ESPectre GitHub 仓库: https://github.com/francescopace/espectre
• ALGORITHMS.md 技术文档: https://github.com/francescopace/espectre/blob/main/micro-espectre/ALGORITHMS.md
• TUNING.md 调优指南: https://github.com/francescopace/espectre/blob/main/TUNING.md

systems