RuView 领域驱动设计模型全景一张以物理世界为边界的 DDD 架构地图【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本文梳理 RuViewWiFi-DensePose代码库中 docs/ddd 目录下的领域驱动设计Domain-Driven Design, DDD规格文档体系说明一个用商用 WiFi 信号感知空间、姿态与生命体征的无线感知系统如何借助**限界上下文Bounded Context**把多物理原理、多硬件层次与多种运行部署切分成可独立演进、可被人和 AI Agent 一起阅读的模块边界。读完本文你将掌握这一整套模型的索引方式、每个子系统的上下文划分与关键不变量并能顺着文档给出的 ADR 与源码路径继续深入仓库验证。为什么一个无线感知项目需要 DDDRuView 的领域文档在开篇反复强调同一条组织原则代码结构应该围绕要解决的问题组织而不是围绕技术分层组织。这一原则背后是三类现实约束系统同时横跨物理感知CSI 信号的电磁传播、人体语义17 关键点骨架、生命体征、硬件与固件ESP32、WASM、驱动、数据与训练公开数据集到可部署推理以及部署运维单机 Axum 服务、TV Box 集群系统中大量存在看似是 float 其实是一种含义的数据如CoherenceScore、ConfidenceScore需要值对象承载语义而不是裸类型代码既给人读也给 AI Agent 改。DDD 的普遍语言Ubiquitous Language让术语在代码、文档与对话中保持同一含义减少歧义。因此每个领域模型文档都用同一套规范模板产出Ubiquitous Language、Bounded Contexts、Aggregates、Value Objects、Domain Events、Invariants、Anti-Corruption Layers外加一张**上下文地图Context Map**标注各上下文之间是 Customer/Supplier、Conformist、Partnership 还是 Subscriber/Gate/Interceptor 关系。这与仓库中 ADR-167-ddd-bounded-contexts.md 等架构决策记录相互呼应——为什么这么做记录在 ADR 里这么做之后领域长什么样沉淀在这些模型文档里。模型总览与阅读地图docs/ddd/README.md 的索引表把整个系统拆成如下领域另有 deployment-platform-domain-model.md 一份文档未列入该索引同样位于该目录领域模型覆盖范围限界上下文数RuvSense多站 WiFi 感知、姿态跟踪、生命体征、边缘智能7信号处理SOTA 级信号处理相位清洗、特征提取、运动分析3训练流水线ML 训练数据集、模型架构、嵌入、跨环境泛化4硬件平台ESP32 固件、边缘智能、WASM 运行时、聚合、供给5感知服务端单二进制 Axum 服务CSI 接入、模型、录制、训练、可视化5WiFi-Mat灾害响应幸存者探测、START 分诊、大规模伤亡评估3CHCI相干人体信道成像亚毫米级体表重建3rvCSI边缘 RF 感知运行时多源接入、校验、事件、RF 记忆、Agent 集成7每个模型文档都给出建模构件如何落地聚合根负责强制业务规则例如PoseTrack拥有自己的关键点与生命周期不允许外部直接改值对象携带不可变含义CoherenceScore不只是 float而是 0.0–1.0 的信号一致性度量领域事件连接上下文某个上下文发布已发生的事其他上下文按需订阅不变量描述必须恒成立的事实**防腐层ACL**在上下文之间做翻译而不泄漏内部模型。下面是各领域模型的要点与仓库实证每一节都可在原始文档中找到完整的 Rust 类型定义、事件枚举与架构图。RuvSense把多站射频融合成一个持续感知的人体模型RuvSense 领域模型是系统的核心感知域描述如何把来自多个 ESP32 传感器的原始无线信号变成可跟踪的人体姿态、生命体征与空间意识全程无摄像头。它的普遍语言高度贴近物理与工程Sensing Cycle一轮完整 TDMA 探测所有节点各发送一次实测约 35ms、28.5HzLink单个 TX–RX 链路对N 个节点产生 N×(N-1) 条有向链路Coherence Score0.0–1.0量化当前 CSI 与参考模板的一致性Coherence Gate据此决定 接受/抬高噪声/拒绝/触发重校准Pose Track带 Kalman 状态的单人多关键点持久轨迹生命周期为 Tentative → Active → Lost → TerminatedRe-ID Embedding128 维 AETHER 对比学习向量编码身体身份Edge TierESP32 上的处理级别0 原始透传 / 1 信号清洗 / 2 生命体征 / 3 WASM 模块。RuvSense 划分为 7 个限界上下文最核心的三个是Multistatic Sensing——从多个节点、多信道收集并融合 CSI。聚合根是FusedSensingFrame领域服务包括PhaseAlignmentService校正信道间 LO 引起的相位旋转、MultiBandFusionService把各信道 CSI 合并成宽带虚拟帧、MultistaticFusionService基于注意力的跨节点融合。Coherence——监控 CSI 时间一致性并作为门控。聚合根CoherenceState维护参考模板与门控状态GateDecision值对象有 Accept / PredictOnly / Reject / Recalibrate 四态静态/动态分解服务要求能量守恒‖S‖‖D‖≈‖C‖。Pose Tracking——把人跟踪为持久 17 关键点骨架。聚合根PoseTrack持有一组KeypointState6 维状态 21 元协方差上三角TrackAssignmentService用 Hungarian 嵌入距离做二分匹配KalmanPredictionService以 28Hz 独立于测量率做预测步。文档同时给出了极具工程约束力的不变量清单例如多站融合至少需 2 个活动节点参考模板在静默期每 10 分钟重算门控阈值按环境校准默认 accept0.85、drift0.5stale 帧超过 max_stale200 帧 ≈ 10s必须触发重校准轨迹需连续 2 次测量更新才从 Tentative 晋升 Active连续 5 次丢失测量标记 LostLost 轨迹有 5 秒的 re-ID 窗口嵌入 EMA 衰减 0.95关联代价中位置项占 60%、嵌入项占 40%。这些数值让领域规则成为可测试、可审计的代码约束而不是散文。RuvSense 之后扩展的 Field ModelADR-030 持久场模型把环境看成可学习的电磁本征模式空房校准 → SVD 提取环境模态 → 去除基线与环境模态后的残差即为BodyPerturbation→ 稀疏 L1 反演得到OccupancyVolume在此基础上再长出 Longitudinal Monitoring个人基线需 ≥7 个观测日才激活漂移检测漂移告警要求 2σ 且持续 3 天与 Spatial Identity跨房间匹配要求余弦相似度 0.80 且时间间隔 60s图谱边只追加不可变。信号处理三段式原始 CSI → 语义特征信号处理领域模型基于 ADR-014 与wifi-densepose-signalcratev2/crates/wifi-densepose-signal/src把信号链路切成三个上下文CSI Preprocessing——聚合根CsiProcessor。核心算法包括共轭相乘H_ref[k]·conj(H_target[k])用于消除 CFO/SFO/PDD 只保留环境引起的相位、Hampel 滤波中位数 ± 缩放 MAD 去野值可承受 50% 污染、相位清洗unwrap → 去野值 → 平滑 → 噪声滤波。文档中hampel.rs、csi_ratio.rs、csi_processor.rs等文件在仓库中可找到对应实现。Feature Extraction——聚合根FeatureExtractor产出SpectrogramSTFT 时频矩阵、SubcarrierSelection按运动方差/静态方差灵敏度排名选 Top-K 子载波、BodyVelocityProfile多普勒速度×时间二维矩阵。Motion Analysis——聚合根MotionDetector产出 0.0–1.0 的合成MotionScore方差/相关性/相位/可选多普勒四分量加权与PresenceState并用Fresnel 区模型做无摄像头呼吸估计FresnelBreathingEstimator位移默认 3–15mm。该文档的价值还在于把每条不变量都对应到具体错误类型共轭相乘要求 ≥2 根天线否则返回CsiRatioError::InsufficientAntennasHampel 窗口 half_window 必须 ≥1相位数据进入清洗前必须在[-π, π]呼吸估计至少需要 10 个幅值样本以支撑自相关分析。上游侧还有HardwareNormalizer防腐层把 ESP32-S3 / Intel5300 / Atheros AR9580 / 仿真四种硬件差异规范化为统一的CsiDatahardware_norm.rs。训练流水线从公开数据集到可验证的模型产物训练流水线领域模型描述 WiFi-DensePose 如何把 MM-Fi114 子载波、40 人与 Wi-Pose30 子载波、12 人等公开 CSI 数据集变成可部署的姿态模型分 4 个上下文源码对应 v2/crates/wifi-densepose-train/srcDataset Management——子载波插值统一到规范的 56 个114→56 或 30→56相位清洗复用 signal crate 的 SOTA 算法并用TemporalTensorCompressor做分级量化时间窗压缩热帧 8-bit、温帧 5/7-bit、冷帧 3-bit文档称可带来 50–75% 的 CSI 窗口内存下降。Model Architecture——WiFiDensePoseModel56→d 的 CSI 线性嵌入 17 个可学习关键点查询的交叉注意力Qqueries, K/VCSI 2 层骨架邻接 GCN 关键点头/DensePose UV 头中间产物是BodyPartFeatures [17 × d_model]。Training Orchestration——训练循环、复合损失、检查点SHA-256 验证 PCK与确定性证明固定种子 → N 步训练 → 损失下降且哈希匹配。Embedding Transfer——AETHER 128 维 L2 归一化对比向量InfoNCE 损失、MERIDIAN 域因子分解DomainFactorizer把隐特征拆成姿态不变h_pose与环境相关h_env、GRL 梯度反转层λ 从 0 退火到 1前 20 epoch、FiLM 几何条件调制以及 10 秒无标签校准生成每房间 LoRA 适配器的快速自适应。评估指标在此处被建模为普遍语言PCK0.2距躯干直径 20% 内的正确关键点比例、OKSCOCO 关键点相似度、MPJPE毫米级 3D 平均关节位置误差并配套 Hungarian 匹配与帧间动态最小割O(n^1.5 log n)。硬件平台从硅片到群集的五层边界硬件平台领域模型覆盖 ESP32-S3 到服务端聚合器的物理基础5 个上下文Sensor Node——ESP-IDF CSI 回调采集、ADR-018 二进制序列化、UDP 组帧magic0xC5110001含 50Hz 限速与 ENOMEM 退避。对应固件代码见 firmware/esp32-csi-node/main/csi_collector.c 与 stream_sender 系列。Edge Processing——Core 0WiFi CSI 回调与 Core 1DSP之间用 SPSC 无锁环形缓冲Tier 0–2 流水线相位解缠 → Welford 逐子载波运行统计 → 按方差选 Top-K → 双二阶 IIR 带通呼吸 0.1–0.5Hz、心率 0.8–2.0Hz→ 过零 BPM 估算 → 自适应 3σ 存在检测 → 跌倒检测 → ≤4 人多目标聚类。实现见 edge_processing.c。WASM Runtime——Tier 3 可编程感知4 个 160KB PSRAM 模块槽、csi命名空间 12 个宿主 API、默认 10ms 逐帧预算守卫连续 10 次超限自动停机、RVF 签名容器Ed25519。实现见 wasm_runtime.c 与 wasm_upload.c。Aggregation——服务端接收、时间戳对齐与特征级融合而非原始 I/Q 融合从而避开跨节点时钟同步难题。Provisioning——NVS 键值供给、固件生命周期与群集管理仓库侧供给脚本见 scripts/provision.py。协议层面文档给出明确帧契约Vitals Packet为 32 字节 UDP 包magic0xC5110002携带 presence、呼吸 BPM、心率 BPM、跌倒标志Compressed Framemagic0xC5110005用 XORRLE 做增量压缩文档称可减少 30–50% 带宽。感知服务端单二进制 Axum 服务里的五个上下文感知服务端领域模型描述单二进制部署面wifi-densepose-sensing-server全部状态放在ArcRwLockAppStateInner源码见 v2/crates/wifi-densepose-sensing-server/src5 个上下文CSI Ingestion——UDP 5005 接收 ESP32 帧数据源支持esp32/wifiWindows RSSI/simulated/auto每 tick默认 100ms--tick-ms可调产出一次SensingUpdate广播给 WebSocket 客户端。Model Management——RVF 模型载入/卸载/列举与 LoRA profile 激活model_manager.rs。CSI Recording——录制到.csi.jsonl并管理会话recording.rs。Training Pipeline——后台训练、进度流式推送与对比预训练training_api.rs。Visualization——WebSocket 实时流、信号场以 20×1×20 网格 Gaussian splat 渲染pose 可来自signal_derived解析式或model_inferenceRVF 推理。文档里SensingUpdate、FeatureInfomean_rssi、motion_band_power、breathing_band_power、dominant_freq_hz、change_points…等值对象给出了完整的 Rust 结构便于实现时对齐字段语义。WiFi-Mat、CHCI 与 rvCSI三个专项领域的边界划分WiFi-Matwifi-mat-domain-model.md把系统带入灾害响应语境Detection呼吸/心跳/运动 →VitalSignsReading、Localization三角定位/指纹匹配/深度估计 →SurvivorLocation、AlertingSTART 分诊与优先级分发 →Alert。Survivor实体的不变量说明该领域的严谨边界至少一次生命体征检出才存在、每次体征更新重算分诊状态、置信度 ≥0.3 才视为有效检测。CHCIchci-domain-model.md是亚毫米级人体表面重建的相干感知协议建立在 802.11bf NDP 探测与相位锁定架构之上。关键普遍语言包括 Displacement Floorδ_min λ/(4π) × σ_φ/√(N_ant × N_avg)、Micro-Burst4–20μs、1–5kHz 高重频突发、六种 Sensing ModeIDLE/ALERT/ACTIVE/VITAL/GESTURE/SLEEP驱动的认知波形参数自适应。其三个核心上下文为波形生成含 FCC 15.247 / ETSI EN 300 328 合规校验、时钟同步TCXO 40MHz SI5351A PLL 分发相位参考漂移须 0.05°/min 才能支撑心跳感知与相干信号处理。rvCSIrvcsi-domain-model.md则把边缘 RF 感知运行时建模为 7 个串行上下文Capture → Validation → Signal → Calibration → Event再分叉到 MemoryRuVector 时空记忆与 AgentMCP/TypeScript 安全动作与查询。它特别强调两点Validation 保护一切下游未经校验的帧不得跨越任何语言/运行时边界被拒帧进 Quarantine 而非丢弃以便审计Calibration 有不可变版本号任何 Event 都必须引用其检测所用的 calibration version 与证据窗口集无证据的 Event 无效。其配套 PRD 见 docs/prd/rvcsi-platform-prd.md。额外的部署平台模型与文档导航除 README 索引列出的模型外同目录还有 deployment-platform-domain-model.md面向 TV BoxArmbian应用场景定义 Appliance 生命周期Provisioned → Online → Unreachable/Updating/Offline/Degraded、OTA 二进制原子替换与回滚、Chromium kiosk 模式、CSI Bridge把打过补丁的 WiFi 驱动的 CSI 重编码为 ESP32 兼容 UDP 帧以及健康信标uptime、CPU 温度、内存、推理延迟、已连接 ESP32 数对应 ADR-046。若要继续深入两条主线最值得跟随为什么每个模型的表格都标注了支撑它的 ADR如 RuvSense 对应 ADR-029 与 ADR-030信号处理对应 ADR-014硬件平台对应 ADR-012 与 ADR-039。完整决策索引见 docs/adr/README.md。是什么 怎么跑模型文档里的上下文、代码列与 Rust 类型定义配合 docs/user-guide.md 的安装与 API 参考即可把领域语言落回实际二进制与端点。整体上这套 DDD 模型把CSI 物理链路 → 信号特征 → 人体语义 → 领域应用 → 硬件与部署组织成一条在每层都清晰标注边界、不变量与事件通道的架构线索。阅读顺序建议为先从本目录的模型总览表找到你要改动的子系统再到对应模型文档确认它的普遍语言与聚合根最后顺着「Key ADRs」与「Code」两列分别追溯决策依据与具体实现文件——这正是这套文档为人类工程师与 AI Agent 共同准备的标准入口。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考