RuView R8 实验深度解析纯 RSSI 实现人数统计如何用 656 参数保留 95% 的全 CSI 精度【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基于 WiFi 信号的无摄像头感知通常被认为离不开 CSI信道状态信息——但 RuView 的 SOTA 研究循环2026-05-22 批次用一次干净的消融实验颠覆了这个直觉。本篇文章完整拆解研究笔记 R8-rssi-only-count.md 的核心内容如何仅凭每个 WiFi 芯片都会上报的 RSSI 标量序列在人数统计任务上达到 59.1% 的整体准确率、保留全 CSI 基线 94.82% 的能力同时把输入规模缩小 56 倍、模型缩小 80 倍。读完本文你将掌握该实验的完整方法、可复现的纯 NumPy 训练代码、结果背后的信号处理原理R5 子载波显著性以及它对任何 WiFi 接收器都能成为感知节点这一部署愿景的真实边界。为什么值得研究RSSI 与 CSI 的部署鸿沟R8 实验的出发点是一个硬件生态的残酷现实RSSI接收信号强度指示每一个 WiFi 芯片都会上报从 0.5 美元的 ESP8266 到旗舰手机无一例外CSI信道状态信息只有极少数芯片能导出例如 ESP32-S3、Atheros、Intel 5300、配合 nexmon 的 Broadcom。如果只用 RSSI 训练的人数统计模型能保留全 CSI 模型有意义的比例的精度那么部署故事将改变 23 个数量级每一台已有的 WiFi 接收器都可以变成感知节点且无需任何固件补丁。实验者自己也持有怀疑的先验RSSI 是每个数据包一个标量全频带的聚合功率而 CSI 是 56128 个复数值逐子载波的幅度 相位。粗略计算RSSI 丢弃了至少 98% 的信息。但关键在于本批次同期的 R5 子载波显著性实验 已测得人数统计任务在 CSI 中的信号是带扩散band-spread而非带集中band-concentrated的——56 个子载波上最大/平均显著性的比值仅有 2.85 倍。如果信号均匀铺满整个频带那么频带均值即 RSSI 的物理定义就能保留其中的绝大部分信息。这正是 R8 要验证的推断。方法把 CSI 窗口坍缩成真实的 RSSI 时序R8 的完整方法在 r8_rssi_only_count.py 中有逐行实现核心分五步取用既有配对数据集data/paired/wiflow-p7-1779210883.paired.jsonl共 1,077 个配对的 CSI 窗口及标签。每个样本是[56 子载波 × 20 帧]的幅度矩阵。聚合为 RSSI-over-time 信号沿子载波轴取平均得到[20]维向量。源码中的实现是一行X_csi.mean(axis1)——物理上RSSI 正是跨频带的功率积分因此子载波均值与真实芯片上报的每包 RSSI 等价至多相差一个常数缩放后续 z-score 归一化会吸收掉这个仿射变换。这精确模拟了非 CSI WiFi 接收器以相同采样节拍报告每包 RSSI 的行为。Z-score 归一化匹配真实芯片上自动增益控制AGC的行为源码中用训练集均值/标准差做标准化mu X_train.mean(...)sd X_train.std(...) 1e-6分母加1e-6防止除零。随机 80/20 划分seed42与cog-person-countv0.0.2 的划分完全一致保证评估集是同一批样本对比公平。训练微型 MLP结构为Linear(20 → 32) → ReLU → Linear(32 → 8) → softmax共 656 个参数使用 vanilla SGD学习率 1e-2、批大小 32训练 200 个 epoch按评估精度保存最优 checkpoint。无任何深度学习框架纯 NumPy 实现含手写前向/反向传播与 softmax。实验得到的训练/评估划分规模训练集 862 个样本标签分布 1:445 / 0:417评估集 215 个样本0:116 / 1:99数据基本平衡。复现命令在仓库根目录执行需要先通过配对数据制作脚本生成data/paired/下的 jsonl 数据python examples/research-sota/04-rssi/r8_rssi_only_count.py \ --paired data/paired/wiflow-p7-1779210883.paired.jsonl脚本参数含义参数默认值说明--paired必填配对 CSI 窗口 标签的 jsonl 路径--outexamples/research-sota/r8_rssi_only_results.json结果 JSON 输出路径--epochs200训练轮数--seed42随机种子与 v0.0.2 基准一致运行结束后脚本会把方法描述、输入维度、架构、训练耗时、训练/评估标签分布、最终评估精度、逐类精度、全 CSI 基线及保留比例、以及完整的 200 轮评估精度曲线全部写入结果 JSON——即仓库中已有的 r8_rssi_only_results.json。结果94.82% 的精度保留率R8 文档给出的核心结果表如下指标RSSI-only本实验cog-person-countv0.0.2全 CSI保留比例整体准确率0.5910.62394.82%类别 0 准确率0.5950.862—类别 1 准确率0.5860.343—训练时间0.72 sCPU0.7 sCPU—模型大小约 5 KB656 参数约 390 KB约 10 万参数—输入维度2056 × 20 1120—结果 JSON 中记录的训练耗时为 0.7176 秒最终评估精度 0.5907逐类精度为类别 00.5948支持样本 116 个、类别 10.5859支持样本 99 个与文档数值完全吻合。评估精度曲线显示模型在约 46 个 epoch 后达到 0.5907 并稳定之后在 0.540.59 区间波动训练非常高效。文档给出的头条结论是RSSI-only 以 56 倍更小的输入和 80 倍更小的模型保留了全 CSI 精度的 95%。更值得注意的是类别精度的均衡性RSSI 模型得到 59.5 / 58.6 的平衡精度而 v0.0.2 全 CSI 模型是严重偏斜的 86.2 / 34.3。对此文档给出了合理的机制解释微型模型无法通过依赖类别 0作弊参考 person-count-cog.md 中 v0.0.1 曾因时间划分不幸而退化为永远预测 0、类别 1 精度为 0% 的历史教训它必须真正使用信号中存在的计数信息。为什么 RSSI 能行R5 显著性图给出的物理答案R8 之所以成立其底层证据来自本批次 R5-subcarrier-saliency.md 首次测量的子载波显著性图。R5 用 input × gradient 方法Sundararajan 等 Integrated Gradients 的一阶近似无路径积分对cog-person-countv0.0.2 计算了 56 个子载波的显著性排名子载波显著性1410.01282520.01203300.01004310.00975100.00886350.0088720.00878380.0083关键观察有二最大/均值比为 2.85×——集中度中等没有任何单一子载波主导计数信号top-8 子载波散布在整个频带索引 2、10、30、31、35、38、41、52而不是聚集在某个频率区域。RSSI 在物理上是全频带|H_k|^2的积分捕捉的是平均水平。对于一个带扩散的信号平均水平就是近乎充分的统计量——这解释了为什么丢掉了逐子载波分辨率的 RSSI 依然能计数。R5 文档当时就预判RSSI 的信息天花板比担心的要高得多一阶估计约 60% 的全 CSI 精度上界而 R8 实测 59.1%几乎精确命中该预测。补充一点时间维度的解释这 20 帧的 RSSI时序模式同样关键——占用状态会以秒级尺度调制数据包到达时序与平均电平因此[20]维的时间序列足以让模型区分 0 人与 1 人。商业意义把感知从ESP32-S3 专属推向任何 WiFi 接收器R8 文档将实验结果投射到 10 年视野列出三类部署图景手机即传感器Phones-as-sensors楼内每一台 iPhone/Android 可通过附近 AP 的 RSSI 被动统计自身周边的占用人数无需超出 WiFi 扫描的 App 权限不需要任何 CSI 硬件。智能音箱、智能电视、智能灯任何带 WiFi 的设备都上报 RSSI任何带 CPU 的设备都能跑一个 656 参数的 MLP——计数由此成为任何有 WiFi 的房间的联邦化属性。cog 生态的采纳路径可打包一个cog-person-count-rssi变体作为随处可运行的二进制而非仅限 ESP32-S3 集群甚至可做成浏览器扩展形态的 MLP在同一 WiFi 下的笔记本上运行。PROGRESS.md 把这项成果定位为商业使能结果它把 cog 从仅限 ESP32-S3推进到任何 WiFi 接收器并计划在 ADR-104 的 MCP/CLI 轨道上扩展ruview_count_infer --rssi模式以服务非 CSI 芯片。研究批次 04-rssi/README.md 进一步给出了适用边界矩阵RSSI-only 适合cog-presence二元占用与cog-person-count人数统计以及极度成本敏感的部署如 R19 禽畜养殖但不适合cog-vital-signs生命体征需要逐子载波形状、cog-pose-estimation姿态需要多站 CSI 几何与cog-quantum-vitalsADR-114需要 CSI 与 NV 融合。诚实的边界这个实验证明了什么、没证明什么R8 文档明确列出了实验的局限这些不应被忽略数据范围这是一个房间、一名操作者、一次 30 分钟录制。跨房间、跨芯片、跨人群的泛化能力尚未测量。全 CSI 模型 5 折参考值为 62.2% ± 1.9%RSSI-only 的 59.1% 同样是单次随机抽样的数值存在运行间方差。问题规模95% 的保留比例是在二分类问题标签分布为 {0, 1}上得到的。扩展到 3 类0 / 1 / 2 人时RSSI 的天花板几乎必然会下降——频带聚合的信息率更低。类别 1 精度的可疑之处RSSI 模型的类别 1 精度58.6%反而高于 v0.0.2 的 34.3%。这真实但可疑——低维输入的微型模型天然具有更强的均衡预测归纳偏置而更公平的同口径比较应同时约束 v0.0.2 在推理时使用平衡采样器它训练时有、推理时没有。文档为此排了一个跟进任务在相同的预测平衡约束下重评 v0.0.2。后续研究线程与关联实验R8 文档列出的下一步计划包括多房间数据集issue #645就绪后重复实验3 类扩展0 / 1 / 2 人测量信息率断崖在非 ESP32 的 RSSI 源上运行例如 Linux 笔记本 WiFi 适配器的iw event确认模型不会退化为永远预测 0与 R9RSSI 指纹拓扑 交叉关联——同一段 RSSI 序列可以用不同输出头同时做计数与定位打包为可运行的 npm CLInpx ruview count-rssi --pcap file与 horizon-tracker 的 MCP/CLI 轨道ADR-104协调。这里尤其值得展开 R9 的对照意义R9 用完全相同的 1,077 个窗口、完全相同的带均值 RSSI 代理构建 1,077 × 1,077 余弦相似度矩阵检验时间邻近是否预测特征邻近。结果是 5-NN 在 ±60 秒窗口内的命中率 0.169随机基线 0.077提升 2.18 倍——判定为 MODERATE中等。两个实验合在一起揭示了一个有意义的不对称性在低带宽模态下计数比定位更容易。R8 证明 RSSI 保住了计数信号R9 则显示它在单房间条件下丢失了一半以上的定位信号——定位可能真的需要逐子载波形状而非频带积分。这也是 04-rssi/README.md 中RSSI 保留约 95% 计数能力、仅保留约 30% 定位能力表述的由来。结语从需不需要 CSI到信号如何分布R8 连同 R5 显著性图闭环回答了 cog 感知管线的一个关键问题cog-person-count 能否移植到非 CSI 芯片答案是可以——代价是约 5% 的精度损失、56 倍更小的输入和 80 倍更小的模型。这项结果如果能在多房间复现中存活就将升级为正式的 ADR。对读者而言R8 更大的方法论价值在于展示了一种研究范式先用显著性分析理解信号在频域的真实分布R5再据此推导低带宽模态的信息天花板并设计最小可复现实验R8最后用对照实验标注能力的边界R9——每一步都配有可运行的纯 NumPy 代码与落地的结果 JSON可在 examples/research-sota/04-rssi/ 目录中完整复现。【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