企业官网建设流程全解析

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 2～3 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 56～128 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：

1. 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。
2. 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(axis=1)——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。
3. 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）。
4. 随机 80/20 划分，seed=42：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。
5. 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：

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：

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 0：0.5948（支持样本 116 个）、类别 1：0.5859（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 0.54～0.59 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：

关键观察有二：

1. 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；
2. 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：

1. 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。
2. 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。
3. 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-vitals（ADR-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 R9（RSSI 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 CLI：npx 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