1. WiFi看穿墙并不玄CSI才是关键说实话我第一次在GitHub上看到RuView这个开源项目时第一反应是标题党——WiFi还能看穿墙壁家里路由器又不是X光机。但把整个原理捋了一遍之后我必须承认这事不仅可行而且门槛比大多数人想象的低得多。站在2026年回看WiFi感知早就从实验室论文走进了普通开发者的工作台RuView这类开源项目就是很好的载体。我先把结论放在前面WiFi能看穿墙靠的不是信号强度RSSI而是更底层的信道状态信息Channel State InformationCSI。你不需要军用雷达不需要毫米波模块一台装着普通无线网卡的Linux主机配合一套开源的CSI提取工具就能实现墙后人体活动的检测、判断和可视化。这篇文章我会沿着原理→项目拆解→硬件选型→数据处理→实测踩坑这条线把整个方案掰开揉碎了讲清楚。无论你是想复现一个毕业设计、做居家养老监护的原型还是纯粹被WiFi雷达这个概念吸引这篇内容都能让你少走弯路。1.1 为什么RSSI做不到CSI可以很多人会问路由器信号强度App里明明能看到数值变化人走过时RSSI也会波动直接用RSSI不就行了这里有个根本性的问题RSSI是一个把整条空间链路浓缩成单个数字的总和。它反映的是所有路径信号叠加后的总功率而WiFi信号从发射端到接收端并不是只有一条直线路径——它会在墙壁、地板、家具、人体表面发生无数次反射和衍射。这就像你在嘈杂的菜市场里听一个人说话你听到的整体音量RSSI变化不大但如果你能分别听出来自左边的叫卖声来自前方的剁肉声来自头顶的风扇声你就能更精确地定位发生了什么。CSI就是那个能分开听的能力。具体来说OFDM正交频分复用系统在物理层会同时使用多个子载波传输数据。接收端在解调时会对每个子载波估计一个复数信道响应这个复数包含了幅度衰减和相位偏移。在2.4GHz频段、20MHz带宽下Intel 5300网卡能提取出30个子载波的CSI而用Nexmon方案Broadcom网卡可以获取上百个子载波的信息。每个子载波对环境中微小变化的敏感度不同当墙后有人移动时某些路径的长度发生变化导致特定子载波的幅度和相位出现可观测的波动。这就是看穿墙的信息来源。从这里也能理解为什么RSSI方案做感知总是不稳定单个人在墙后走动反射路径的变化对总功率的贡献可能只有0.5-1dB淹没在自动增益控制AGC和噪声里。而CSI把信道拆成了几十个窄带观察窗口任何一条路径的扰动都会在对应子载波上留下相对明显的痕迹。1.2 穿墙感知的物理原理反射、多径与多普勒讲原理之前先明确一个很容易误解的点WiFi看穿墙不是像X光那样穿透人体成像而是感知电磁波在人体表面反射后的变化。墙后的目标被WiFi信号照射后会反射部分电磁波。你的接收天线虽然收不到穿透墙壁后的直射信号那个衰减太严重了但它能收到经过墙后人体反射、再次穿透墙壁回到接收端的反射波。关键在于人体含有大量水分对2.4GHz电磁波有较强的反射和吸收特性这让人体成为室内环境中非常显著的反射体。相比之下桌椅、柜子这些静态物体反射特性基本不变所以在静态环境下CSI特征曲线是平稳的一旦有人活动反射路径随之变化CSI的时间序列就会出现规律性波动。这里有两个物理效应支撑整个感知逻辑第一是多径传播。室内环境里接收端收到的信号是几十条乃至上百条路径的叠加。每条路径有不同的传播时延、衰减和相位。人体在墙后移动会导致某几条经过人体的路径长度发生变化进而在叠加信号中产生频率选择性衰落的移动——不同子载波上的幅度此消彼长。通过观察CSI幅度谱的分布变化就可以推断是否有反射体在移动。第二是多普勒效应。虽然人体移动速度不算快走大约1-2m/s但在2.4GHz频率下1m/s的径向移动速度会产生大约8Hz的多普勒频移。这个频移落在可观测的窄带范围内通过短时傅里叶变换STFT我们可以构建多普勒谱从而区分慢速目标如呼吸引起的胸腔起伏约0.2-0.5Hz和快速目标如人的走动、摔倒冲击。顺带一提呼吸检测是WiFi感知里最惊艳也最实用的能力之一。胸腔周期性起伏产生的多普勒信号极微弱但CSI的相位信息对这种微小位移非常敏感配合多天线和合适的频段滤波在安静环境下提取呼吸频率是可行的。RuView这类项目里呼吸检测往往作为静态人体存在感知的核心手段——因为只靠幅度变化我们是看不出一个静止站在墙后的人的。1.3 一个反直觉的结论2.4GHz比5GHz更适合穿墙感知在WiFi穿墙这件事上大多数人的直觉是5GHz快所以好但在感知场景里结论正好相反。2.4GHz信号波长约12.5cm对混凝土墙、砖墙的穿透衰减明显小于5GHz5GHz波长仅约6cm更易被墙体吸收。实测中普通住宅一道24cm砖墙对2.4GHz的衰减只有3-6dB而对5GHz可能是8-12dB。穿两堵墙之后2.4GHz仍能维持可用于感知的信噪比5GHz基本就失效了。更重要的一点是2.4GHz的覆盖范围远大于5GHz。穿墙感知依赖的是反射路径的微弱变化信号往返都要穿透墙体衰减是双程的。2.4GHz波长更长在人体表面的反射截面也更大反射能量更强。这也是几乎所有CSI感知科研项目都首选2.4GHz频段的原因。RuView项目默认配置就跑在2.4GHz不是因为它不会用5GHz而是因为穿墙场景下2.4GHz是唯一靠谱的选择。当然5GHz也不是没有价值——它的多普勒分辨率更好适合做近距离、无遮挡的细粒度手势识别。但从看穿墙壁这个目标出发请先把2.4GHz调好。2. RuView项目拆解一个可复现的WiFi穿墙感知框架RuView不是那种只有一个README的玩具项目也不是抛给你一堆论文引用的学术套壳。它的定位很明确把WiFi感知穿墙检测从论文里的数学公式变成一套能跑起来、能出图、能调参的开源工具链。拆开来看这个项目解决的核心问题有三个CSI数据从哪来、人动没动怎么判断、结果怎么呈现给用户。下面我按模块逐一讲。2.1 RuView的核心功能采集、处理、可视化三者闭环从使用者的视角看RuView完成了一次完整的数据旅程。采集端接收来自无线网卡或ESP32的CSI原始数据按统一格式落盘处理端对原始数据进行解析、滤波和活动检测可视化端把检测结果以时间轴曲线、热力图或实时状态的形式呈现出来甚至可以输出有人/无人的布尔状态用来对接继电器、摄像头联动或告警推送。这个闭环设计最值得学习的地方是把感知和应用解耦。采集层只负责拿数据不管业务含义处理层只负责从数据里提取活动特征不关心采集端用的是Intel 5300还是ESP32应用层只关心最终状态不关心信号处理细节。这意味着你可以只替换其中一层来适配自己的场景。我在实际使用中就是这么干的采集端从Intel 5300换成了ESP32处理层一行没改照样跑通了检测逻辑。从仓库结构和常见实现来推断RuView的核心代码大体可以划分为三个模块collector负责CSI帧的监听、解析和落盘process包含数据清洗、特征提取和活动检测算法view则提供Web端或CLI端的可视化界面。模块间的数据交换使用标准化CSV或二进制文件格式这让实验可复现性大大提升——你完全可以把别人采集好的数据集拿过来跑自己的算法。2.2 整体架构从网卡数据流到Web面板我用一张逻辑分层表来说明RuView的数据流这比我用文字描述几百字更直观层次组件职责输出采集层Intel 5300 / ESP32 / 树莓派Nexmon抓取CSI帧解析为复数矩阵CSI二进制文件或CSV传输层本地文件系统 / 串口 / MQTT数据落盘或传输到处理节点标准化数据文件处理层去噪滤波、滑动窗口、特征提取、阈值判定从CSI序列中提取活动特征判定状态活动时间戳、特征向量、状态标签可视化层Flask/FastAPI Web前端展示检测曲线、热力图、实时状态图表、告警、API接口这是一个非常典型的模块化流水线。采集层把物理世界的变化转成数字信号处理层完成从信号到语义的转换可视化层把语义呈现给人类。值得注意的是RuView在处理层和可视化层之间还保留了一个数据产品接口——中间结果可以导出为特征集这意味着你可以用自己的分类器替换内置的阈值判定或者把特征集喂给机器学习模型做更复杂的动作识别。2.3 为什么选这套技术栈Python是WiFi感知的最佳实践RuView选择Python作为主要处理语言我举双手赞成。CSI数据处理涉及numpy矩阵运算、scipy滤波、matplotlib绘图和后续可能的scikit-learn分类这套科学计算生态在Python里几乎是无缝衔接的。有人说Python慢不适合实时处理但实际感知场景的采样率并不高——每秒钟几百个CSI包每包30个子载波也就是每秒几万到十几万个复数运算Python完全扛得住。另一个技术选型的聪明之处在于实时性分层。对时间敏感的部分比如CSI帧的抓取和解析用C或底层驱动完成Python只负责上层逻辑对时间不敏感的部分特征提取、可视化刷新全部用Python开发效率极高。我自己在做实时检测时抓包用的是修改过的Linux固件驱动数据处理用的是Python端到端延迟能做到100毫秒以内完全够用。3. 硬件与环境搭建先能采到高质量CSI再说所有WiFi感知项目最痛苦的不是算法而是数据采集。算法再漂亮网卡不给力、固件不支持、驱动装不上一切都白搭。所以这一节我花大篇幅讲硬件选型和环境搭建——这是整个项目里坑最多、最劝退人的环节。3.1 硬件选型四类可行的CSI采集方案对比不是所有网卡都能提取CSI。普通路由器、手机内置WiFi、常见的USB无线网卡绝大多数都不开放物理层信息。CSI获取是一个被层层封装的底层能力你需要用特定网卡配合修改版固件或专用SDK才能拿到。我把目前社区里最主流的四类方案列成表直接对比选型平台CSI获取方式子载波数成本部署难度推荐场景Intel 5300 Linux CSI Tool替换专用固件修改内核驱动302.4GHz HT20较高网卡转接卡天线高老内核兼容性问题多科研复现、精细信道测量Atheros AR9580 CSI Tool修改固件驱动56较高高科研、多子载波需求树莓派 NexmonBroadcom固件补丁约100低中实时应用、边缘部署ESP32 esp32-csi-tool官方SDK开放API64极低低原型验证、低成本感知先说结论如果你只是想最快跑通RuView的完整链路ESP32是性价比最高的选择几十块钱就能搞定不用碰内核编译。如果你追求最经典的科研级方案、希望严格复现论文实验Intel 5300依然是最稳妥的参考平台。树莓派Nexmon是中间路线环境相对现代化子载波数量最多但树莓派的WiFi天线是板载的外接天线需要飞线信号质量略打折扣。我在自己的实验里用的是Intel 5300方案。原因很简单这个平台有最成熟的CSI Toolkit学术界十几年的数据集大多产自它任何异常特征都有前人的经验可查。但我也必须承认编译老内核驱动这件事让我折腾了两天如果读者入坑只是为了体验建议从ESP32起步。3.2 Intel 5300方案的完整搭建步骤Intel 5300的CSI提取依赖一个著名工具Linux 802.11n CSI Tool。这套工具包含修改过的网卡固件和内核模块能让你在monitor模式下捕获CSI帧。我当时的搭建步骤大体如下每一步都踩过坑写出来供参考准备一台能装Ubuntu 16.04或18.04的旧电脑或工控机。CPU不需要好但必须BIOS支持关闭Secure Boot否则内核模块签名校验过不了。安装Intel 5300半高mini-PCIe网卡通过转接卡插到台式机PCIe槽上接三根外置天线2.4GHz频段SMA接口。注意天线间隔拉开15cm以上别挤在一起否则空间分集效果直接失效。安装指定版本内核。这一步最痛苦Linux CSI Tool早年官方只支持2.6.x和3.x内核后来社区有人打补丁适配了4.x。如果你手头没有编译好的内核包建议先找社区维护的linux-80211n-csitool分支里面通常带一份适配脚本。编译并安装修改版固件。网卡固件需要替换成CSI版本安装脚本会把固件写入/lib/firmware目录。这里有个常见坑固件替换后普通WiFi连接功能会受影响建议装一个单独的系统或备份原固件日常上网用另一张网卡。将网卡置入monitor模式。使用iw dev wlan0 set type monitor然后关闭NetworkManager对这块网卡的管理否则它会不断抢网卡状态。实测中NetworkManager是最大的干扰源必须通过nmcli dev set iface wlan0 managed no彻底解除接管。运行采集程序。log_to_file会把CSI原始二进制数据连续写入文件配合record.sh脚本可以按照时间戳分片保存。采集到文件后就进入分析环节了。如果你看到这里觉得太麻烦我强烈建议先跳过实时采集直接用社区公开数据集跑通处理流程。很多CSI感知论文都放了采集数据比如Aarhus数据集、SignFi数据集RuView项目大概率也支持加载现成数据文件。先把算法链路跑通再回来啃硬件这是最不容易被劝退的学习路径。3.3 天线布局与发射端设置的几个决定性细节硬件装好之后真正决定感知效果的不是网卡型号而是天线和发射端配置。我总结了四个影响最大的细节第一发射端路由器/AP和接收端采集主机之间的距离和角度。感知区域通常是发射端和接收端之间的椭圆区域。天线摆放在墙角路由器放在对面墙角中间就是你要监测的墙壁。发射端和接收端不要离得太近小于1米否则直达路径信号过强反射路径的变化就淹没在直射波里了也不要太远大于15米否则信号衰减后CSI信噪比太低。第二发射功率必须固定。这是最容易踩的坑。很多路由器默认开启自动功率调整当信道环境变化时它会悄悄改变发射功率在CSI上造成的幅度波动比人体反射还大直接污染整个检测过程。务必进路由器管理界面把2.4GHz的发射功率固定为高或中关闭所谓的功率自动优化。第三使用独立信道避开拥堵。2.4GHz上的邻居WiFi、蓝牙、微波炉都是干扰源。在监控区域附近尽量选择1、6、11这三个不重叠信道中干扰最小的一个然后用扫描工具确认一下周围信号占用情况。另外路由器的带宽模式设为HT20而不是HT40因为40MHz会让CSI子载波间距变化许多算法假设是建立在20MHz上的。第四天线极化方向。人体直立时对垂直极化波的反射更强所以天线最好垂直摆放极化方向与地面垂直。如果天线是水平摆放的人体的反射截面会明显缩小检测灵敏度直接下降。4. 核心算法链路从CSI二进制到墙后有人硬件通了数据有了接下来就是整个项目里最有技术含量、也最好玩的部分——从一堆二进制字节里判断墙后面到底有没有人。这一节我按处理顺序拆解每步都会带参数参考值方便你直接套用。4.1 数据解析与预处理去掉噪声保留人体特征CSI原始数据首先是某种格式的二进制流。以Intel 5300为例每一帧包含头部信息时间戳、RSSI、AGC、天线数量、子载波数量和复数CSI矩阵。解析的关键是正确处理帧格式的字节对齐我曾见过数据解析错了导致所有子载波序列乱成一团的情况。解析正确之后的CSI矩阵维度通常是[发送天线数 × 接收天线数 × 30个子载波]最常见的是1×3×30即一根发射天线、三根接收天线。解析出来之后第一刀先砍掉不可靠数据。CSI幅度的原始时间序列上经常有尖峰和跳变这些是硬件状态切换AGC调整、省电模式造成的假象。我的做法是先计算每帧的幅度平均值剔除那些偏离中位数3倍标准差的异常帧然后对每个子载波做滑动中值滤波窗口大小15-30帧。中值滤波比均值滤波好在它不会模糊突变边界——这个特性对动作检测很重要因为人体动作的起止往往就对应着信号的突变。接下来是频域去噪。2.4GHz频段的环境噪声是宽带噪声人体反射信号则集中在低频段数字化之后表现为每秒几赫兹到几十赫兹的变化率。用巴特沃斯低通滤波器截止频率设在20Hz左右就能滤掉大部分高频抖动。我要特别强调一下滤波不是越多越好。我最初做实验时恨不得把所有噪声都滤掉结果反而把动作特征也滤没了。先做轻滤波确认检测效果再逐步增加滤波强度这是更合理的节奏。4.2 活动检测滑动窗口方差与自适应阈值人去楼空、静止无人时经过预处理后的CSI时间序列是平稳的各子载波的幅度围绕一个均值小幅波动波动幅度由噪声底决定。一旦有人活动反射路径变化会导致CSI幅度出现相对大的波动。检测的核心思路就是把这种波动变大量化出来。最基础的方法是滑动窗口方差法。对每个子载波取长度为N的滑动窗口计算窗口内幅度样本的方差再把所有子载波的方差求平均或取最大得到一条活动强度时间序列。窗口长度N的选取很重要太长则反应迟钝N过短则容易被噪声尖峰欺骗。按每秒50-100帧的CSI帧率N取100-200即1-2秒比较合适。阈值怎么设固定阈值在特定场地或许有效但换个房间就失灵了——不同环境、不同距离、不同天线下的噪声底完全不同。更稳的做法是自适应阈值先采集一段无人基线10到30秒计算基线的标准差σ然后以基线均值加k倍σ作为检测阈值k通常在3到6之间。这样环境换了、距离变了阈值会自动跟着调整。RuView项目的默认实现大概率就采用了类似的动态基线和自适应阈值策略这是一套即便在学术界也成立的通用框架。需要提醒的是方差法只能告诉你有没有活动无法告诉你活动是什么。如果你想知道墙后是人在走动还是宠物在跑就要上频谱分析或者数据驱动模型了。4.3 人体识别与微动感知从多普勒谱到呼吸检测方差法之上进阶能力是区分动作类型和感知微动。这一步通常用短时傅里叶变换STFT把CSI时序转为时频图。人体走动时多普勒频移会在时频图上形成一条明显的扫频带静止不动时只有呼吸引起胸腔微动对应的是集中在0.2-0.5Hz的极低频分量。两条特征的频段差异很大可以用带通滤波器分道扬镳。在1×3×30的CSI矩阵上做STFT有个小技巧不要在所有子载波上分别做再平均那样会稀释特征。更好的做法是选择幅度方差最大的那根天线和那组子载波做STFT然后再融合其他天线的结果。多天线间的差异本身就含有空间信息——当人从房间左侧走到右侧时不同天线上CSI变化的先后顺序和幅度大小是不同的。简单的位置估计可以靠哪根天线先出现显著波动来判断大致方向虽然做不到精确定位但能指示左边/中间/右边这就足以支撑很多安防和监护应用了。呼吸检测则对相位信息要求更高。只靠幅度时呼吸引起的幅度变化往往低于噪声底而相位变化对微小位移更敏感。但相位又受载波频率偏移和采样时钟不同步的影响存在随机跳变不能直接用原始相位值。常见做法是对相位做线性拟合后减去线性趋势或者用相邻子载波间的相位差来抵消公共误差项。这一步代码实现不复杂但很考验对信号原理的理解我建议多看几个开源实现再动手写。4.4 参数调优的实践数值参考说了那么多直接给一组我实测可用的参考参数。场景是我家客厅与卧室之间的一堵砖墙接收端放在客厅墙角AP放在卧室窗边监测区域横跨墙体采样帧率约100Hz参数推荐值说明滑动窗口长度150帧约1.5秒太长误报少但反应慢太短噪声易触发无人基线时长20秒等待CSI稳定后再采集基线自适应阈值倍数k4-6灵敏度不够就降到3误报多就升到7低通滤波截止频率20Hz保留动作低频分量滤掉高频噪声动作识别STFT窗口256帧50%重叠兼顾时间分辨率和频率分辨率呼吸检测通带0.2-0.5Hz正常成人呼吸频率区间状态刷新周期0.5秒输出有人/无人状态的轮询间隔这些参数不是死的。不同墙体、不同天线的场地大概率要微调但至少有一个起点能让你少走弯路。我个人的习惯是先把阈值调得稍微灵敏一些让它宁可误报不可漏报等系统运行稳定后再逐步收紧——因为漏报比误报更难排查误报还能通过日志找到原因漏报连线索都没有。5. 实测效果与踩坑记录代码写完了参数调好了接下来就是残酷的实测环节。我在真实住宅里做了一周的连续测试白天有人走动、晚上关灯无人数据结果有惊喜也有翻车。这一节我把实测效果和四个最典型的坑一并分享出来。5.1 我家客厅的实测数据穿一堵砖墙的效果测试场地接收端Intel 5300三天线放客厅角落AP在卧室窗台两者距离约7米中间隔一堵24cm砖墙。人在墙后的卧室里做三种动作静坐、缓慢走动、原地起跳。每种动作持续30秒间隔30秒。结果如下静坐状态活动强度低于阈值但呼吸特征频带上有稳定的周期峰呼吸频率解析为每分钟约16次与真实情况吻合。缓慢走动活动强度超过阈值三根天线中靠近卧室一侧的天线先产生波动能大致判断人在墙后位置偏左还是偏右。原地起跳动作产生的CSI波动峰值是走动的两倍以上时频图上有明显的宽频冲击特征区分跳跃和走路非常容易。穿一堵砖墙的场景下人走动检测的准确率在我的一周测试里能达到95%以上。这个数字是真实动作中约有多少比例被正确触发的经验值没有严格做统计实验但足够说明可行性。两堵墙的场景我也试过——接收端和AP之间隔了两堵墙后走动还能检测到但信号波动幅度明显下降误报率上升呼吸检测基本失效。5.2 踩坑一相位漂移让我误以为墙角有人在动第一次跑通采集到数据后我盯着实时曲线看到墙角方向的天线CSI相位出现了周期性的锯齿波动幅度还不小。我当时第一反应是那边是不是有什么东西在动差点把墙拆了检查。后来查资料才明白这是无线网卡载波频率偏移和采样时钟抖动导致的相位漂移周期性锯齿纯粹是硬件时钟不同步的表现跟环境一毛钱关系都没有。这个坑的教训是在使用CSI相位做任何分析前必须先做相位校准。校准的思路是利用所有子载波相位的线性相关性对每个子载波的相位做线性拟合然后减去拟合出的线性分量剩下的非线性残差才是真正的信道相位信息。校准之后相位不再随频率线性旋转也消除了采样时钟偏移的线性叠加。此后我再也没看到过那种有人规律性呼吸的锯齿假象。5.3 踩坑二路由器自动功率控制毁掉基线测试第二天我把采集数据导出来看发现凌晨三点到四点的CSI基线出现了诡异的台阶式跳变幅度达到正常波动的好几倍。可我明明那道墙后面一个人也没有。排查了很久直到我登录路由器管理界面才看到发射功率自动这个选项。原来凌晨的网络流量很低路由器自己的功率调整算法把发射功率降了一档导致接收端看到的信号整体变弱。台阶跳变看起来和人体活动非常相似尤其是幅度变化较大时阈值检测几乎一定会触发误报。解决方式就是我前面说的把发射功率固定在高档关闭自动调节。另外WiFi协议里的省电模式Power Save Mode也会造成类似问题AP侧能关就关。这个坑属于典型的非感知因素干扰感知不实测很难发现。5.4 踩坑三风扇误报与静态漏检的平衡测试进入第三天我开始频繁收到误报每次都指向客厅里的一台空气循环扇。风扇转动时电机振动和扇叶旋转引起的反射面变化确实会扰动CSI尤其在风扇正对天线时误报率相当高。更麻烦的是风扇产生的多普勒频移和人体走动的频带高度重叠传统滤波很难区分。我最终的解决办法是启用双通道验证同时监控CSI波动和呼吸频带能量。人体走动通常伴随着走动前后的呼吸信号变化而风扇只产生转动频谱没有呼吸频段特征。这台风扇也是我那次测试里唯一无法靠算法单独排除的干扰源只能说在部署时尽量把设备移出感知区域或者接受这个物理层面的局限。静态漏检的问题同样值得说人背对墙体、安静坐着刷手机时走动检测阈值完全检测不到。这时只能靠呼吸检测。但呼吸检测对天线位置极其敏感人离墙太远超过3米时呼吸反射信号衰减严重有时能测到、有时测不到。所以静止人体检测在穿墙场景里始终是一个半可靠的指标设计应用场景时务必把这一点考虑进去。6. 边界与扩展这个方案能走多远跑通RuView只是一小步理解这套技术的边界才能判断它能用在哪些真正有价值的场景。我不会去渲染WiFi万能感知的科幻叙事只讲实际工程里你一定会碰到的限制和值得投入的方向。6.1 物理限制穿几堵墙、多远距离、静态vs动态WiFi感知的上限由无线信道本身的物理特性决定。穿一堵砖墙、8米内人体走动检测这是我认为的可靠工作区。穿两堵墙、5米外能检测到但误报率上升。三堵墙基本就退出游戏了——反射信号经过三次墙体的双程衰减到达接收端时信噪比已不足以支撑稳定感知。钢筋混凝土墙的衰减比砖墙更严重承重墙密集的老楼里效果会明显打折扣。更重要的限制是静态人体检测的难度。走动人体的反射信号强、特征明显静止人体的反射基本淹没在噪声和静态多径里只有呼吸引起的周期微动能提供线索而呼吸检测对环境和距离极其敏感。如果你计划做房间里有没有没人这种存在性检测务必提前用目标场景实测别被演示视频里的理想效果带偏。频率选择上也要有预期2.4GHz穿墙好但分辨率有限5GHz穿墙差但在无遮挡场景下精度更高。RuView这种项目默认跑2.4GHz是合理的但如果你的部署场景是不穿墙的更近距离比如隔着一扇门可以试试5GHz频段的CSI动作识别清晰度会有提升。6.2 隐私边界与合规红线无感监测不是偷窥我必须花一段专门讲这个。WiFi穿墙感知最大的优势——不需要目标佩戴任何设备、无需摄像头、目标完全无感知——同时也是最大的伦理风险。这项技术如果被用于监视他人性质极其恶劣而且现实中很多国家的法律对无感采集周边环境信息有严格的限制。我个人的态度和建议很简单这套技术只用于自己的住宅、自己管理的场所比如自己的店铺内部安防不要用于任何公共区域或他人私人空间。如果系统检测到他人住宅内部的信号特征应当主动屏蔽对应方向的天线敏感区而不是反向利用。开源项目存在的价值是教育和技术探索不是为偷窥提供工具。转载、分享、讲解这套技术时请务必把合规边界讲清楚。从积极的角度看WiFi感知的合规价值恰恰在于它的无感和低侵入不给被监护者比如老人佩戴任何设备不需要安装摄像头侵犯隐私只输出有人/无人/跌倒这类状态量不保留可辨识身份的原始图像。这是养老监护场景里非常理想的技术形态。6.3 后续扩展跌倒检测、睡眠监测、多房间定位如果你跑通了基础检测下一步有几个方向我觉得特别值得投入第一个是跌倒检测。摔倒的动作特征是高速、宽频的多普勒冲击和正常走动、坐下的信号特征差异很大。在卧室一堵墙范围内部署老人卧室床边和卫生间洗手台前是两个最高价值的监测点。难点是环境中的重物掉落、宠物跳上跳下也会产生类似特征需要采集足够多负样本才能做出可靠分类。第二个是睡眠监测。把呼吸频率和翻身检测叠加起来就能实现无穿戴的睡眠质量分析。原理上利用的是CSI对胸腔微动的敏感性实现时难点在于长时间稳定采集和自动去噪——夜间空调、风扇、窗外车辆都会进入感知范围需要做时变频率追踪才能保持呼吸信号锁定。第三个是多房间定位。用多组天线同时采集不同方向的CSI通过比较波动出现的时间先后和幅度强弱可以把活动判别缩小到哪个房间。这个方法不需要每个房间都放接收机成本低适合独居老人的全屋安全监护。还有更前沿一点的比如把CSI特征输入轻量神经网络CNN或Transformer做动作类型识别分类走路/坐下/摔倒/挥手。这类数据驱动方案需要较多的标注数据但一旦训练完成鲁棒性通常好于手工特征。就我个人而言我接下来最想把呼吸检测的算法再打磨一遍目标是实现一整夜稳定的呼吸率追踪。WiFi感知这条路的潜力远不止看穿墙这个噱头它本质上是把日常基础设施变成传感网络——如果有一天你家里随处可感知、但又完全无感知地保护着隐私那这套技术就真正成熟了。