企业官网建设流程全解析

RuView 物理底线（Physics Floor）：用 ToA CRLB 与 Fresnel 前向模型为 WiFi 感知划定物理下界

【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView

本篇技术文章基于 RuView 仓库examples/research-sota/01-physics-floor/目录下的研究笔记与三个可运行的 NumPy 脚本，完整讲解 WiFi 感知研究回路中最底层的“物理底线”：如何用 Cramér-Rao 下界（CRLB）计算时间到达（ToA）测距精度极限、如何用 Fresnel 区前向模型预测 CSI 灵敏度包络、以及为什么多散射体人体模型会带来约 4.7 dB 的呼吸检测信噪比惩罚。读完后你将掌握这三个原语背后的公式推导、脚本运行方式与全部关键数值结果，并能理解它们如何界定 RuView 后续所有放置优化、结构检测、生命体征与量子融合研究线程的能力边界。

一、什么是“物理底线”：研究回路中的基岩

RuView 的 SOTA 研究回路（examples/research-sota/）按“从最底层的物理事实，到上层应用”的顺序组织。01-physics-floor/是其中最底层的一层——README 将其定义为“Bedrock physics that bounds everything else in the loop”（约束回路中一切的基岩物理）。该目录包含三个原语（primitive），每个原语对应一个纯 NumPy 脚本加一份机器可读的结果 JSON：

这三个原语为什么能“约束回路其余部分”？README 给出的答案是：

• R1 CRLB为任何定位特征设定时间分辨率底线（floor）；
• R6 Fresnel给出 CSI 灵敏度的空间包络（5 m 链路中点处约 40 cm 宽）；
• R6.1 多散射体把 R6 从点散射体推广到现实的人体几何，定量刻画理想物理与现实物理的差距。

三者共同界定后续线程：R6.2 家族（天线放置优化）、R12 家族（结构检测）、R14（生命体征）、R20（量子融合）。换句话说，任何上层功能宣称的精度都不应超出这层基岩给出的物理界限——这正是该目录名 “physics-floor” 的语义。

配套的研究全文笔记位于 R1 笔记、R6 笔记 与 R6.1 笔记，本文以 README 骨架为主、结合脚本源码与结果 JSON 展开。

二、R1：ToA CRLB —— 定位精度的时间分辨率下界

2.1 模型与公式

r1_toa_crlb.py 回答的核心问题是：

在 WiFi 级带宽（20 / 40 / 80 / 160 MHz）下，原始 ToA 能达到的最佳单发测距精度是多少？相比基于相位（phase）的测距又是多少？

脚本实现的 ToA CRLB（Kay 1993, Ch 3）为：

sigma_ToA >= 1 / (2 * pi * beta_rms * sqrt(SNR)) [s] sigma_d = c * sigma_ToA [m]

其中beta_rms是有效（RMS）带宽。对带宽为 B 的“砖墙”（brick-wall）脉冲，beta_rms = B / sqrt(3)。对应源码在 r1_toa_crlb.py#L40-L46：

def toa_crlb_seconds(bandwidth_hz: float, snr_db: float) -> float: """ToA CRLB in seconds. Bandwidth is the matched-filter / signal bandwidth, NOT the carrier frequency. The factor of sqrt(3) comes from the brick-wall pulse RMS bandwidth: beta_rms = B / sqrt(3).""" snr_lin = 10 ** (snr_db / 10.0) beta_rms = bandwidth_hz / np.sqrt(3.0) return 1.0 / (2 * np.pi * beta_rms * np.sqrt(snr_lin))

注意一个容易踩坑的细节：这里的带宽是信号/匹配滤波带宽，不是载波频率——载波 2.4 GHz 本身不提高 ToA 精度，只有占用带宽才行。

相位测距精度公式（r1_toa_crlb.py#L54-L61）：

sigma_d_phi = (c / 2*pi*f_c) * sigma_phi = lambda * sigma_phi / 2pi [m]

源码实现中sigma_phi以度为单位输入并转为弧度；注释明确指出这是已解决整数模糊度（周跳）之后的无模糊精度，不是绝对距离：

def range_precision_phase_m(carrier_ghz: float, phase_noise_deg: float) -> float: """Assumes the integer-ambiguity (cycle slips) problem is solved by some other method (e.g. multi-subcarrier-frequency unwrap).""" sigma_phi = np.deg2rad(phase_noise_deg) lam = C / (carrier_ghz * 1e9) return lam * sigma_phi / (2 * np.pi)

2.2 完整计算网格与实际数值

脚本扫描 5 档带宽 × 5 档 SNR 的 ToA 网格，以及 3 个载波 × 5 档相位噪声的相位网格（见 r1_toa_crlb.py#L74-L103）。完整结果已固化在 r1_toa_crlb_results.json 中。

ToA 单发测距 CRLB（米，1σ），取自结果 JSON 的bandwidth_grid字段：

例如 JSON 中 20 MHz @ 20 dB 一格的原始记录为sigma_toa_ns: 1.378、sigma_range_m: 0.4132，即 σ_ToA ≈ 1.38 ns、测距误差 0.41 m。对 ESP32-S3 + 消费级 AP 的现实组合（20 MHz HT20、20 dB SNR），单发 ToA 精度就是 41 cm；100 次独立样本平均（增益 1/√N）可压到4.1 cm。R1 笔记强调：这是 WiFi 带宽下 ToA 的绝对物理极限，“低于这个底线的定位在物理上是被禁止的”。

相位单载波测距精度（毫米，1σ），取自phase_grid字段：

参考的 5° 相位噪声是 LO 频偏校正后 ESP32-S3 的典型水平（R1 笔记的说明）；未校正时原始相位噪声在 60–180° 量级，此时相位优势从 238× 收缩到约 5×。

2.3 Headline 对比与多站几何

脚本在 r1_toa_crlb.py#L105-L122 固定了一个“实用场景”：20 MHz HT20、20 dB SNR、100 帧平均。结果 JSON 的headline_practical字段给出：

在 WiFi 带宽下，相位测距比 ToA 精确两个数量级。这正是 WiFi 感知领域转向 CSI/相位而非 ToA 的根本原因——与 802.11mc FTM 在标准 WiFi 硬件上做“粗 ToA 定位 + 精相位”的思路一致。

但相位测距有一个不可回避的前提：整数模糊度（cycle-slip）问题。2.4 GHz 波长 12.5 cm，单个子载波上测得 30° 相位可能对应 1.04 cm、13.54 cm、26.04 cm、38.54 cm……R1 笔记给出三种消歧方法：

1. 多子载波宽巷（wide-lane）解卷：802.11n/ac 的 52 个已用子载波跨 20 MHz，几何平均给出约 15 m 的有效宽巷波长，可在典型房间内消歧；实现为相位对子载波索引的 1D 线性拟合，斜率即距离信息；
2. 粗 ToA 门控：用 41 cm 精度的 ToA 估计（如“目标在 3.2 m ± 0.4 m”）去挑选落进该区间的相位周次；
3. 差分/跟踪模式：已知起始位置时，对连续帧间的相位变化积分——失去绝对参考，但逐帧积累毫米级精度。

正确的系统是 ToA（绝对消歧）与相位（精度）的组合。

多站定位的几何精度（GDOP）扩展在 r1_toa_crlb.py#L124-L138 中按sigma_pos = sigma_range * sqrt(GDOP / N_anchors)估计：4 个锚点围成 5×5 m 房间的紧凑凸包，GDOP ≈ 1.5（对比共线布点的约 3）。结果 JSON 的multistatic_4anchor字段：

2.4 诚实边界

R1 笔记（R1-toa-crlb.md）列出的局限必须一并继承：CRLB 是下界，真实估计器达不到它，高 SNR 下匹配滤波 ToA 估计器通常在 1–2× 范围内；CRLB 假设已知脉冲与单径主导，而真实卧室有 4–6 个主反射体，超分辨方法（MUSIC/ESPRIT）分离后实际退化 2–5×；WiFi 是机会性使用数据流量而非专用测距脉冲，但占用带宽仍是完整信道带宽，故带宽部分成立。

三、R6：Fresnel 区前向模型 —— 让 CSI 灵敏度可预测

3.1 模型：六行公式

r6_fresnel_zone.py 把仓库 DSP 管道隐式假设的前向模型显式化。对长度为 L 的 Tx-Rx 链路，第一 Fresnel 区是射频能量主要传播的长椭球，其在线路分数位置p ∈ [0,1]处的半径为：

r_1(p) = sqrt(λ · L · p · (1 - p)) [m]

点散射体偏离视线路径（LOS）垂直距离 x、距 Tx 为 d1（则 d2 = L − d1）时，引入的路径差：

Δℓ(x) = sqrt(d1² + x²) + sqrt(d2² + x²) − (d1 + d2)

第 k 个子载波（中心频率 f_k）上的相移：

φ_k = 2π · f_k · Δℓ / c

对应源码：fresnel_radius_m#L47-L53、path_delta_m#L56-L60、csi_phase_shift_rad#L63-L65。脚本注释直言这是“the bedrock forward model that the existingwifi-densepose-signalDSP implicitly assumes”。显式化的意义在于三点（见文件头 docstring r6_fresnel_zone.py#L20-L28）：R12 的 PABS 修订路径有了可出发的 Fresnel 几何基；R10 的植被距离估计可用 Fresnel 椭球清空度校验；真实散射体的多子载波干涉图案变得可预测。

3.2 第一 Fresnel 半径包络

脚本对 2 / 5 / 10 m 链路、2.4 与 5 GHz 扫p = [0.1, 0.25, 0.5, 0.75, 0.9]（r6_fresnel_zone.py#L121-L141）。半径在 p=0.5（中点）取最大值。README 的样例输出展示了 2.4 GHz @ 5 m 一行的形状：

=== R6 first Fresnel radii (m) === freq lambda link p=0.10 p=0.25 p=0.50 p=0.75 p=0.90 2.4 124.9mm 5.0m 0.237 0.342 0.395 0.342 0.237

中点半径汇总（R6 笔记）：

这些是可测量的物理包络：典型卧室的 5 m WiFi 链路在 LOS 中心有一条约 40 cm 宽的“最大灵敏通道”，向两端天线收窄。人站进椭球内，整个 CSI 向量都会动；站在椭球外，只扰动边缘子载波。

3.3 四种典型场景的逐子载波相位预测

脚本的 subcarrier_phase_sweep#L86-L113 按 802.11n/ac 20 MHz 信道（52 个已用子载波、312.5 kHz 间隔）预测单散射体的逐子载波相位，并输出路径差、相位极值、相位展布（spread）与 2π 缠绕数。fresnel_zone_classification#L68-L83 则判定散射体落在第几 Fresnel 区。

四种典型场景定义在 r6_fresnel_zone.py#L145-L150（2.4 GHz 下的结果）：

关键洞察：相位展布随 Δℓ 单调增长，而 Δℓ 随偏移 x 二次增长。Fresnel 区内的散射体（<0.5° 展布）在 52 个子载波上近乎均匀——这解释了 R5 显著性分析为何测到“整带分布”的 top 子载波而非紧簇：散射体在 zone-1 内时实际激发了整个频带。反之，远场散射体（15.9° 展布）才是多抽头信道估计表现良好的区制。r6_fresnel_results.json 中保存了全部 4 场景 × 2 频点的完整逐子载波相位数组（52 维）。

对仓库现有模块的含义（R6 笔记的对应表）：vital_signs的呼吸/心率检测由此获得底噪 SNR 预测；multistatic的注意力权重有了闭式先验；tomography的前向算子 A 从黑盒变为显式（每体素位置 → 每子载波相位贡献），L1-ISTA 逆问题变得良态；pose_tracker的“肢体位置灵敏度”先验可直接由 Fresnel 几何导出——远端肢体（手、脚）在室内链路中常落在第一 Fresnel 区之外，这解释了为何躯干/头部比四肢更易追踪。

3.4 与结构检测（R12）的衔接

R12（eigenshift）曾给出负结果，其修订路径正是把 R6 用作结构检测先验：

y_predicted = Σ_voxels A(voxel) · reflectivity(voxel) residual = y_observed − y_predicted PABS = norm(residual) # 结构检测信号

其中A(voxel)就是 R6 的逐子载波相位预测。R6 提供基，R6.1（下一节）提供多散射体的显式 A——两者结合构成 06-structure-detection/ 线程的前向基础。

四、R6.1：多散射体人体模型 —— 4.7 dB 惩罚的物理来源

4.1 模型：6 点散射体的相干叠加

r6_1_multiscatterer.py 把 R6 的单点模型扩展为分布式人体：头、胸、双臂、双腿共 6 个点散射体，每个带位置、反射率（与体表面积成比例）和运动幅度（胸部呼吸，四肢静态）。合并 CSI 是逐子载波的复数相干和：

csi[k] = Σ_b (refl_b / (d_tx,b · d_rx,b)) · exp(2π·j·f_k·Δℓ_b / c)

单散射体贡献的实现见 csi_contribution#L42-L52——幅度正比于refl/(d_tx·d_rx)（双程各 1/r² 的简化路径损耗），相位为2π·f·Δℓ/c。默认人体模型定义在 default_human_body#L70-L80（俯视 2D，胸反射率 0.50，其余各 0.10）。

呼吸调制由 breathe#L83-L89 实现：胸部沿垂直方向做 ±8 mm 的正弦位移，频率 0.25 Hz。

脚本设定 5 m 卧室级链路（Tx 在 (0,0)，Rx 在 (5,0)，2.4 GHz），主体站在线路中点并偏离 LOS 0.25 m（位于 R6 所述 ~40 cm 的第一 Fresnel 包络内）。源码注释特别强调一个部署要点（r6_1_multiscatterer.py#L103-L106）：若主体恰在 LOS 上（y=0），呼吸的 y 方向运动对路径长度只产生二阶影响，是退化敏感配置——真实安装必须让主体偏离 LOS 连线才能观察到呼吸幅度的路径变化。

4.2 计算流程

main()依次做四件事（r6_1_multiscatterer.py#L97-L184）：

1. 单帧多散射体签名：simulate_human对 6 个部位求和，得到 52 维复数 CSI 基线；
2. 逐部位贡献分解：把每个部位单独仿真，统计幅度均值、相位展布与占总能量的比例（能量占比 = 单部位平方和 / 全体平方和）；
3. 30 秒 50 Hz 呼吸时程：每帧调用breathe(body, ti)，对每条子载波幅度序列做 rFFT，按呼吸带（0.15–0.4 Hz）与带外（0.5–3.0 Hz）功率比计算逐子载波呼吸 SNR；
4. 与 R6 单散射体基线对比：仅保留胸部散射体重跑同一时程，取其最佳子载波 SNR 作为“理想”参照，两者之差即多散射体惩罚。

4.3 核心结果

r6_1_multiscatterer_results.json 的breathing_band_snr字段给出精确数值：

README 的样例输出正是这一块的浓缩：

=== R6.1 multi-scatterer penalty === Single-scatterer ideal: +23.7 dB Multi-scatterer (6 body parts): +19.0 dB Penalty: +4.7 dB

物理解释：四肢不随呼吸运动，但它们相干地贡献于静态 CSI 电平；当胸部运动调制静态信号时，四肢的贡献稀释了相对调制深度。这个 4.7 dB 缺口正是现实部署相对理想单散射体模型的损失。

逐部位能量贡献（JSON 的per_part_contributions字段）：

胸部以 5× 反射率主导（表面面积比例）。实践结论：胸就是呼吸信号，四肢是混淆源而非信号源。由此导出两条架构决策：Fresnel 包络应对准胸部而非身体中心（R6.2.3 的放置搜索方向）；呼吸检测管道应掩蔽四肢（依赖 ADR-079/ADR-101 的位姿提取，vital_signs.rs目前尚未使用）。

4.4 与 R13 负结果的桥接：5 dB 缺口的物理起源

R13（无接触血压）是负结果：脉波恢复需要+25 dBSNR，实际可得+20 dB，缺口 5 dB，当时归因于“受试者微运动污染 HR 频段”。R6.1 给出新的解释：5 dB 缺口同时也是多散射体惩罚——即使没有微运动，静止身体部件本身就比理想单散射体模型贵 4.7 dB。4.7 与 5 吻合到 0.3 dB。

这构成一条自洽的物理叙事链（R6.1 笔记）：

• R6（单散射体）给出上界——理想极限下可能达到的呼吸 SNR；
• R6.1（多散射体）给出下界——现实人体几何实际留下的可用量；
• R13 夹在两者之间——因为下界而比上界短 5 dB。

它也解释了“呼吸速率检测可以工作、而波形轮廓恢复（HRV、血压）物理上不可行”：速率信号带锁恢复对 SNR 的容忍度是 +∞（足够平均后任何 SNR 都能恢复），而轮廓恢复需要理想模型的 +25 dB，多散射体现实永远给不出。这与vital_signs.rs现网行为（时域带通 0.1–0.4 Hz 提取速率）一致：带通在 +4.7 dB 惩罚下依然鲁棒；子载波显著性选择（R5）选出的是更可靠而非更高 SNR 的子载波（R6.1 显示 SNR 跨子载波近乎均匀）；逐受试者呼吸速率校准则吸收了随体型变化的 4.7 dB 惩罚波动。

五、如何复现：运行方式与输出

三个脚本都是纯 NumPy（numpy），无绘图依赖，运行前提为仓库根目录下已安装 Python 3 与 NumPy（pip install numpy）。以 R1 为例：

# 默认输出写到 examples/research-sota/ 顶层目录 python examples/research-sota/01-physics-floor/r1_toa_crlb.py # 或用 --out 指定输出位置（三个脚本均支持 --out 参数） python examples/research-sota/01-physics-floor/r1_toa_crlb.py --out /tmp/r1.json

参数说明：--out在 r1_toa_crlb.py#L70-L72、r6_fresnel_zone.py#L117-L119、r6_1_multiscatterer.py#L92-L94 中定义，默认值分别为examples/research-sota/r1_toa_crlb_results.json、r6_fresnel_results.json、r6_1_multiscatterer_results.json。脚本运行后会：在控制台打印人类可读的汇总表（如 R1 的 ToA 网格、相位网格、Headline、多站四锚点四张表），并把机器可读 JSON 写入--out路径（父目录不存在时自动创建）。

本目录内已随仓库固化的三份结果 JSON 即为上述脚本在 20 MHz/2.4 GHz/5 m 默认场景下的输出快照，可直接作为回归参照。注意：脚本内部硬编码了研究场景常量（带宽列表、SNR 档位、链路长度、人体模型参数），复现数值无需任何额外配置，但也不提供 CLI 参数来改变这些场景——要改场景需要修改源码中的常量。

六、诚实边界（Honest Scope）

README 对该目录整体声明的局限必须原样继承：

• 所有数值都是最佳情形物理；真实 CSI 还有额外的噪声通道（多径、硬件漂移、多用户干扰）；
• 人体模型是 6 个点散射体；真实身体是分布连续的 RCS 体，完整前向模型应是对躯干 RCS 的体积积分，点模型是一阶近似；
• 全部为 2D（俯视）近似；3D 扩展位于 02-placement/ 目录（R6.2 家族）。

叠加 R1 笔记的边界：CRLB 假设单径主导与已知脉冲，实际多径下退化 2–5×；5° 相位噪声前提是完成 LO 频偏校正。引用这些数值时应同时说明“最佳情形、2D、单径”三个前提。

七、小结与延伸阅读

01-physics-floor/用三个小脚本（合计不到 600 行 NumPy 代码）为整个研究回路立起三面物理界碑：ToA 测距的时间分辨率下界（41 cm 单发 / 4 cm 平均，相位方案 238× 优势但有周跳前提）、CSI 灵敏度的空间包络（5 m 链路中点 ~40 cm 第一 Fresnel 椭球）、以及理想与现实人体之间的 4.7 dB 呼吸 SNR 惩罚。任何上层功能——天线放置（02-placement/）、空间智能（03-spatial-intelligence/）、结构检测（06-structure-detection/）、负结果记录（07-negative-results/）、量子融合（09-quantum-fusion/）——都在这三面界碑划定的范围内评估其可行性。

继续深入的仓库入口：

• 研究全文笔记：R1 ToA CRLB、R6 Fresnel 前向模型、R6.1 多散射体前向模型、R13 无接触血压负结果
• 结果数据：r1_toa_crlb_results.json、r6_fresnel_results.json、r6_1_multiscatterer_results.json
• 上层依赖目录：02-placement、06-structure-detection、09-quantum-fusion

【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView