企业官网建设流程全解析

RuView ADR-152 实战解析：WiFi 姿态估计 SOTA 情报入档——几何条件化校准、外部基准复现与基础编码器训练配方

【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

本文基于 RuView 仓库中的架构决策记录 ADR-152，完整解读 2025–2026 年 WiFi 人体感知 SOTA 调研（deep-research intake）的五大已验证发现、四项已采纳决策，以及外部模型 WiFlow-STD 的基准复现结论；并结合仓库中已落地的wifi-densepose-calibration源码（几何记录、几何嵌入）与benchmarks/wiflow-std实测报告，讲清"布局记忆化"失效模式如何被几何条件化机制在 Rust 侧实现、外部 SOTA 数字如何按"CLAIMED/MEASURED"证据分级被复现或撤回。读完后你可以掌握：如何为每房间校准银行附加收发器几何条件、如何按证据分级管理外部性能声明、以及 MAE 掩码预训练配方的具体超参数选择依据。

1. 背景：一次带对抗验证的 SOTA 情报入档

ADR-152 的出发点是回答两个问题：RuView 下一步应该集成什么？已发表的工作中有没有任何一项推翻我们当前方向？为此，2026-06-10 执行了一次结构化深度调研：抓取 22 个信源、提取 110 条声明，其中 25 条经过 3 票对抗式独立评审验证，最终 24 条确认、1 条被驳回。ADR 中所有性能数字都被标注了证据等级——绝大多数是论文作者自报的预印本结果，在自家硬件复现之前一律视为CLAIMED（声称值），只有经过工件检查、标准机构记录或实测复现的内容才标记为MEASURED（测量值）。这种"声明与测量分离"的表述纪律，是理解整份 ADR 的关键。

关联文档定位（Codebase target）为三个 crate：wifi-densepose-calibration（几何条件化，ADR-151 Stage 2 的扩展）、wifi-densepose-train（相机监督路径、MAE 配方）、wifi-densepose-cli（基准 harness），并显式关联 ADR-151（每房间校准）、ADR-150（RF 基础编码器）、ADR-135（空房间基线）、ADR-079（相机监督姿态）。

1.1 五大已验证发现

(F1) "坐标过拟合"是相机监督 WiFi 姿态的一个被命名、被诊断的失效模式——而 ADR-079 管线正是它的形状。PerceptAlign（被 ACM MobiCom 2026 接收的预印本）表明：把 CSI 直接回归到相机坐标系坐标的模型，会记忆部署特定的收发器布局；SOTA 基线在未见过场景中退化到 >600 mm MPJPE。其修复代价很低：用两块棋盘格和几张照片做 <5 分钟的校准，把 WiFi 与视觉对齐到同一 3D 坐标系，并把收发器位置嵌入与 CSI 特征融合。声称值：域内误差 −12.3%，跨域误差 −60% 以上；并放出自称最大的跨域 3D WiFi 姿态数据集（21 名受试者、5 个场景、18 种动作、7 种设备布局）。证据等级：改进数字为 CLAIMED（预印本）；但失效模式本身被跨域文献交叉印证，且被 RuView 自己的 ADR-150 数据独立佐证（域内 81.63% vs 无泄漏跨受试者躯干 PCK 约 11.6%）。

(F2) 一个名为 "WiFlow" 的外部模型声称 97.25% PCK@20，2.23M 参数，且开源了全部工件。2026 年 4 月的论文：时空解耦 CSI 姿态估计，97.25% PCK@20 / 99.48% PCK@50 / 0.007 m MPJPE，2.23M 参数（int8 约 2.2 MB），代码、预训练权重和 36 万样本 CSI-姿态数据集均按 Apache-2.0 公开。证据等级：工件可得性 MEASURED（直接仓库检查）；PCK 数字 CLAIMED（5 名受试者、域内、自采数据集；硬件未指明；15 关键点 vs RuView 的 17 关键点）。ADR 特别标注了命名冲突：该外部模型与 RuView 内部 WiFlow 模型无关，所有文档中统一称WiFlow-STD (DY2434)。

(F3) 对 CSI 基础编码器而言，瓶颈是数据规模而非模型容量，且 tokenization 配方已经可知。UNSW 的 MAE 预训练研究（2025 年 11 月）是迄今最大的异构 CSI 预训练（1,320,892 样本、14 个公开数据集含 MM-Fi、Widar 3.0、Person-in-WiFi 3D；4 种设备；2.4/5/6 GHz；20–160 MHz），报告零样本跨域增益 2.2–15.7%，未见域性能随预训练数据量对数线性增长、在 1.3M 样本处未饱和，而 ViT-Base 相对 ViT-Small 仅多 0.4–0.9%。最优配方：80% 掩码率、(30,3) 小 patch（比 (40,5) 高 4.7%，因为保留更细的时间动态）。证据等级：研究内消融为 MEASURED，但属预印本，且下游任务是分类而非姿态——姿态迁移只是假设。该结果独立印证了 ADR-150 的发现：容量增大对跨受试者有害。

(F4) 硬件/标准：802.11bf 已定稿；Espressif 官方感知已可用；Wi-Fi 6 AP 的 CSI 可达。

• IEEE 802.11bf-2025于 2025-09-26 发布（对照 IEEE SA 记录验证）——7 GHz 以下与 45 GHz 以上两个频段的标准感知程序均已完成，含正式的 sensing setup/feedback 流程；尚无 ESP32 芯片实现。证据等级 MEASURED（标准机构记录）。
• Espressifesp_wifi_sensing（Apache-2.0，v0.1.x，ESP Component Registry）：官方 CSI 在场/运动状态机；esp-csi 活跃维护（2026-04-22 有提交，已验证），CSI 在 ESP32/S2/C3/S3/C5/C6/C61 全系确认可用。证据等级 MEASURED。⚠️ 其"与 RuView 节点即插即用兼容"的更强说法被对抗评审 0-3 驳回——Wi-Fi 6 器件使用不同的 CSI 采集配置结构。
• ZTECSITool：从商用 Wi-Fi 6 AP 提取 CSI，最高 160 MHz / 512 子载波（约为 ESP32 子载波数的 5–10 倍；增益来自孔径而非每 Hz 粒度），固件需 ZTE 序列号审批。能力为厂商工具论文 CLAIMED，代码工件 MEASURED。

(F5) 2025–2026 没有任何工作从商用 WiFi 做完整 DensePose UV 回归。关键点姿态仍是领域前沿。三篇"无线基础模型"论文被全文检索筛查剔除（HeterCSI 仅含模拟蜂窝信道；NeurIPS-2025 FMCW 试点是 mmWave 雷达且仅在场；另一篇是综述无工件）。证据等级 MEASURED（缺席性由候选全文检查确认；但"整个文献无此类工作"的强度天然更弱）。

1.2 这对 ADR-151 校准系统意味着什么

ADR-151 的注册协议采集引导式人体锚点，但不记录也不以收发器几何为条件。F1 指出，这个遗漏恰恰是让相机监督（以及合理的推断是锚点监督）头布局脆弱的原因。ADR-151 的"先教房间、再教模型"论点被 F1强化——PerceptAlign 是布局必须被显式建模的独立证据，且修复方案与 ADR-151 Stage-2 注册流程天然可组合。ADR-150 的掩码 CSI 编码器设计被 F3验证，并直接拿到了超参数与优先级判断：在放大编码器之前，先采集/汇聚更多异构 CSI。

2. 四项决策与源码落地

ADR-152 采纳四项变更，按"投入 vs 收益"排序。

2.1 几何条件化校准系统（扩展 ADR-151 Stage 2）——已接受

决策共四条：

1. 注册时记录收发器几何。EnrollmentProtocol为每个节点增加可选的NodeGeometry记录（位置估计、天线朝向、已知的节点间距离），与房间基线一起存入银行；schema 版本化，保证旧银行仍可读。
2. 把几何嵌入融合进专家训练。当专家头消费（未来 ADR-150 的）骨干嵌入时，拼接一小段NodeGeometry的学习嵌入——即 PerceptAlign 机制移植到每房间银行。当前统计型专家忽略它；未来的 LoRA 头（ADR-151 P6）消费它。
3. 相机监督路径（ADR-079）采用双棋盘格对齐。使用 MediaPipe 监督时，先做相机↔WiFi 的共享 3D 坐标系校准（<5 分钟、两块棋盘格、几张照片）。这是针对 F1 的正面防御。92.9% PCK@20这一旧数字已在测量中被撤回：幸存的留出集在一个绝对（非躯干归一化）阈值下、对 69 个近静态帧而言，是一个常数输出模型，平均预测器在同一协议下得 100%。§2.2 的禁引规则自此适用于它。
4. 在 PerceptAlign 跨域数据集（21 受试者/7 布局）上评估，作为 MERIDIAN 跨布局基准——以确认可下载性与许可为门槛。门槛已解决（2026-06-10，仓库检查 MEASURED）：仓库存在、MIT 许可、数据集可从 HuggingFace 下载（5 个按场景仓库，原始 CSI + 独立视觉关键点；Intel 5300，1TX×3RX×3 天线，57 子载波——与 ESP32 子载波数同一量级；Scene3 附带 3 种不同布局）；代码存在，无预训练权重。基准采纳已解除阻塞。

仓库中，第 1、2 条已经在wifi-densepose-calibrationcrate 中落地为纯 Rust、可边缘部署的模块：

（a）NodeGeometry记录（ADR-152 §2.1.1 的实现）见 geometry.rs。每个字段有意全部可选：几何在操作者知道它时才记录（卷尺、棋盘格校准、安装平面图），不知道时省略；一个"全未知"记录也有用——它固定了哪些节点存在以及几何未被测量这一事实。核心类型：

/// 注册时记录的每节点收发器几何（ADR-152 §2.1.1） pub struct NodeGeometry { pub node_id: u8, // 与多静态融合同一 id 空间 pub position: Option<PositionEstimate>, // (x_m, y_m, z_m) 米 pub orientation: Option<AntennaOrientation>, // 方位角/俯仰角（弧度） pub distances_m: BTreeMap<u8, f32>, // 已知节点间距离 pub method: String, // 溯源："tape-measure"/"checkerboard"/"floor-plan"/"unknown" }

配套 API 采用 builder 风格：NodeGeometry::new(1, "tape-measure").with_position(0.5, 2.0, 1.2).with_orientation(π/2, 0.0).with_distance(2, 3.4)；is_unmeasured()在除节点 id 外无任何测量时返回true。serde 序列化上使用skip_serializing_if+#[serde(default)]：可选字段为None时干脆不出现在 JSON 里，旧银行/旧会话反序列化为空几何，schema 兼容模式与PresenceSpecialist::mean_dist_threshold相同。模块内测试覆盖了完整记录往返、全空记录往返（断言 JSON 中不出现position/orientation/distances_m字段）以及最小 JSON{"node_id":3}的干净默认化。

（b）注册会话与银行如何承载几何。从源码结构看，EnrollmentSession（事件溯源、append-only）增加了一种事件：record_geometry()追加EnrollmentEvent::GeometryRecorded { geometry, at }，同一节点可多次修正、最新者生效，因此几何修正是追加而非覆盖，整个会话（含几何事件）持久化后可还原。SpecialistBank（见 bank.rs）则携带geometry: Vec<NodeGeometry>快照字段——"银行永远携带它被训练时所在的布局"，由with_geometry(...)在训练时从EnrollmentSession::geometry()注入。bank.rs 中的测试专门验证了三件兼容性事项：几何快照 JSON 往返；无几何的银行派生出全零嵌入；以及一份几何功能出现之前持久化的银行 JSON 能干净反序列化、geometry为空，且无几何银行序列化时不写出该字段（保持旧形状）。

（c）GeometryEmbedding：把布局记录变成 32 维条件向量（ADR-152 §2.1.2 的实现）见 geometry_embedding.rs。由于 crate 是纯 Rust、无 torch/candle，"嵌入"不是训练好的网络，而是一个确定性、良态的特征化；学习部分（如果有）活在消费它的头里。它按构造具备三个性质：

• 固定维度 32（GeometryEmbedding::DIM = 32），任意节点数下不变（设计节点数 1–8，更多节点仍聚合，只是每节点标志槽截断）；
• 置换不变（节点按node_id排序，聚合与顺序无关）；
• 全函数（total）：缺失数据优雅退化——全未知布局或空切片给出定义良好的向量，永不产生NaN/inf；对抗输入（非有限坐标、1e30 量级）按"未测量"处理。

槽位布局（v1，坐标为原始米、角度为弧度、比例为 [0,1]，不可测槽为 0.0）：

实现上有几个值得注意的工程细节：坐标超过MAX_COORD_M = 1000米或非有限值一律视为未测量（房间不是公里尺度，同时防止协方差溢出）；3×3 对称协方差的特征值用闭式三角解（无外部线性代数依赖，内部 f64 保条件数）；双向都记录的成对距离取平均、指向未注册节点的条目被忽略；最后还有一道不变式收尾——任何非有限值强制归零。测试套件（3-4-5 三角形布局、置换不变性、实测距离覆盖位置推导距离、NaN/∞/1e30 对抗输入、12 节点聚合、serde 往返与旧 JSON 无版本字段默认化）逐一锁定了这些行为。

SpecialistBank::geometry_embedding()按需派生该向量（不入库），几何缺失的银行得到全零向量——这条"空布局也有定义良好嵌入"的语义正是 §2.1.2 中"当前统计型专家忽略几何、未来 LoRA 头拼接消费"在类型层面的体现。

此外，enrollment.rs中有一条与 ADR-152 调研直接相关的实现注记：锚点运动度不取自基线偏差分的motion_flagged（该标志在amplitude_z_median > 2.0触发，混淆了"存在强度"与"运动"——静止的强反射体会被误拒为"运动过多"），而是从帧间 z/φ 变化（Z_DELTA_MOTION = 0.5）推导运动，按构造与存在强度无关。这是 §2.1 注册流程质量门的一个具体修正。

2.2 对 WiFlow-STD (DY2434) 做基准——已接受

规则是：拉取 Apache-2.0 权重 + 36 万样本数据集，做三项测量：(a) 它的模型跑它的数据（复现 97.25% 声明）；(b) 它的模型在我们的 ESP32 17 关键点评测集上微调；(c) 我们的内部 WiFlow 在它的数据集上（15 关键点子集映射）。(a)–(c) 测完之前，任何 RuView 文档不得把 97.25% 当作可比的数字引用——数据集、受试者、关键点都不同。

仓库中的实测报告 benchmarks/wiflow-std/RESULTS.md 给出了 (a) 与 (b) 的完整结果，这是 ADR-152 "证据分级"方法论最好的注脚：

(a) 复现——先证伪、再修复、再复现。

• 工件核验（MEASURED）：参数 2,225,042 与声明一致；FLOPs 约 0.055 GFLOPs 与 0.07B 声明一致；CPU 延迟 13.2 ms/窗（batch 1）。
• 发布 checkpoint 按发布代码/数据/切分（seed-42 文件级 70/15/15，54,000 测试样本）跑出 PCK@20 = 0.08%（发布值 97.25%），MPJPE 为 NaN（数据集含 NaN CSI 窗）——"REFUTED as shipped"。诊断表明 checkpoint 确是训练过的模型，但与发布数据用了不同的关键点归一化/顺序，早于发布代码。
• 发布工件共记录 6 个可复现缺陷：models/__init__.py导入了tcn.py未定义的TemporalConvNet（发布代码原样跑不起来）；checkpoint 使用改名前模块名；第二个 checkpoint 是不同架构（342 通道输入=MM-Fi 布局）不可用；run.py忽略--data_dir；数据集最后 13 个文件（9,072 窗，2.52%）损坏——NaN 加最高 3.4e38（float32 上限）的垃圾幅值，上游代码无 NaN/inf 处理，照发布流程训练会从 epoch 1 就产生 NaN（fp16 溢出且永久污染 BatchNorm 运行统计）；train.py调用了不存在的plot_training_history（训练后的测试评估不可达）。
• 损坏窗掩码（9,070 NaN/Inf + 9,072 幅值超限，并集 9,072，全在文件 487–499）作为提交的真值随仓库保存（generate_corruption_masks.py 可从干净下载重新推导，再生结果与提交掩码比特一致，且拒绝写出全 False 掩码以防在已清理副本上误报）。
• 修复后按上游默认重训（seed 42、batch 64、epoch 41 早停、RTX 5080）：PCK@2096.09%（全测试）/96.61%（去损坏），MPJPE 0.0094–0.0098，与发布值 97.25%/0.007 在同一量级。判定：精度声明可信、近似可复现——但前提是修复了发布的数据集与代码。参数（2.23M）与 FLOPs 已独立核验。

边缘侧实测（同一报告）：torch 动态 int8 量化对这个模型什么也量化不了——架构里没有nn.Linear（全部是 Conv1d×21 + Conv2d×22 + BatchNorm），动态量化内核只覆盖 Linear/RNN 族，"int8 模型"与 fp32 比特一致；ONNX Runtime 是 batch-1 的真正收益（3.2 vs 11.0 ms/窗，精度等价 2.4e-7）；"~2.2 MB int8"是权重算术估计，实际只能经支持卷积量化的工具链（ORT 静态 PTQ conv-only，Percentile/MinMax 校准）达到约 2.4–2.53 MB，且带 PCK@20 −0.05~0.1 pt、MPJPE +10%~18% 的小代价。效率扫描还发现：843k 参数的 half 变体在自家基准上严格优于 2.23M 全模型（同 PCK@20、更好的 PCK@50 与 MPJPE、更快收敛）；56k 参数的 tiny 变体守住 94.11% PCK@20，tiny ONNX fp32 工件仅约 295 KB、CPU batch-1 0.66 ms/窗（约 1500 窗/秒）——该报告给出的部署建议是"tiny 就发 ONNX fp32，int8 在这个规模是坏交易"。

(b) 微调到我们自己的 ESP32 数据——未通过诚实性门槛。2026-06-11 的测量 (b) 用 2,046 个单房间配对窗（单受试者、单房间、单 ESP32 节点，多姿态：走/举/蹲/踢/挥/转/跳/坐；MediaPipe 置信度均值 0.802）做了预注册协议：时间切分（70/15/15，不跨时间洗牌）、70→540 子载波 1×1 Conv1d 适配器 + 上游主干、躯干归一化 PCK（torso = ‖左肩−左髋‖，17 关键点 COCO 下用正确索引替换上游 15 关键点约定的 2/12 索引）。三种运行对比：

结论：预训练带来的是优化迁移（良态初始化 + 校准过的 BN/输出尺度）而非特征迁移；没有任何运行超过 mean-pose 基线，因此从这条数据不能引用任何 CSI→姿态能力声明。确定性答案需要 mean-pose 变弱的多受试者/多姿态数据。报告同时记录了两个采集侧发现：ESP32 流会发出混合帧类型（csi_shape异构：[70,20]/[134,20]/[26,20]…，约 20.4% 原生 70 窗内部含零填充短帧），对齐器存在帧主序填充 vs 声明形状的转置 bug（加载时以reshape(nFrames, nSc).T修正）——这是下一轮采集前应修复的问题。

(c)（我们的内部 WiFlow 在其数据集上）仍阻塞：目前没有已验证的内部姿态模型可比（92.9% 工件已撤回；ADR-150 §3 的 MM-Fi SOTA 模型是不同输入域）。

2.3 把 UNSW 配方套用到 ADR-150 编码器——已接受（修订 ADR-150 §2.3）

• 预训练语料：从同样的 14 个公开数据集（1.3M 样本）+ 我们的 home/MM-Fi 帧起步；数据汇聚优先于架构工作。
• Tokenization：80% 掩码、(30,3) 量级小 patch；编码器保持 ViT-Small 量级（约 15M 参数）——F3 与我们自己的 DANN/transformer 结果一致：容量不划算。
• 已发表的对数线性（未饱和）扩展曲线给出预期：更多异构 CSI 进，更好的零样本出。

2.4 硬件观察项——已接受（当前不改代码）

• 802.11bf：跟踪芯片/认证进展；OTA 绑定继续推迟，直到商用芯片暴露标准化感知测量。已由 ADR-153 修订（2026-06-10）：现在实现纯 Rust 前向兼容协议层——类型化过程模型、确定性会话 FSM、传输抽象、仿真测试，以及把当前 ESP32 CSI 批次映射到标准 sensing-report 形状的OpportunisticCsiBridge。
• esp_wifi_sensing：把我们的在场管线与厂商 FSM 对跑一次基准（一个下午的事；有用的外部基线）。不要当作即插即用（声明已被驳回）。
• ZTECSITool AP：ADR-029 多静态 mesh 的可选高分辨率锚点节点——采购门槛；仅当 160 MHz 锚点对层析成像有实质帮助才跟进。

2.5 明确不采纳

• 不转向不发布 WiFi-CSI 工件的"无线基础模型"论文（HeterCSI、FMCW 试点、综述）。
• 不开 DensePose-UV 工作项：领域尚未证明从商用 WiFi 做 UV 回归；关键点仍是我们监督目标（F5）。

2.6 RuVector 供应商同步与集成机会（2026-06-10 增补）

vendor/ruvector从 pine38347601（2026-05-07）移到a083bd77f（origin/main，超出 tagruvector-v0.2.283 个提交；vendored 工作区版本 2.2.3），区间 111 个提交约一半是 NAPI 二进制/lint 杂务，实质性内容：graph condensation + 可微 min-cut（#547）、HNSW 核心正确性修复 v2.2.3（#502）、RUSTSEC/clippy 加固（#504）、ONNX embedder API 契约修复（#523/#525，仅 npm/TypeScript 包）、死并行 worker 导入移除（#532）。证据等级 MEASURED（git 区间 + commit-stat 检查）。工作区策略是仅用 crates.io 已发布版本，因此未发布 crate 按定义都是 WATCH。机会表摘要：

安全注记（RUSTSEC #504）：实质性修复针对ruvllm、ruvector-dag、prime-radiant、rvagent-*与ruvector-serverHTTP 端点（NaN 安全partial_cmp、输入校验守卫、环境白名单 exec）——这些都不在我们 pin 的版本上；提交声明cargo audit全工作区干净。结论：无 pin 版本存在未解决公告，无紧急提升需求；NaN 排序加固是 pin 的 2.0.4 时代 crate 早于其的健壮性卫生，这构成例行提升的又一理由。版本提升建议（后续 PR，本 ADR 不改 Cargo.toml）：ruvector-mincut2.0.4→2.0.6、ruvector-solver2.0.4→2.0.6、ruvector-attention2.0.4→2.1.0、ruvector-gnn2.0.5→2.2.0；ruvector-core2.2.0、ruvector-attn-mincut2.0.4、ruvector-temporal-tensor2.0.6、ruvector-crv0.1.1 均已为最新发布。本次同步不改变 §2.1 几何条件化（viewpoint/attention.rs的GeometricBias已实现融合机制）也不改变 ADR-150 MAE 配方（训练仍在 tch 中）。

3. 后果、风险与开放问题

正面：校准系统获得了 2026 文献指出的"布局脆弱 vs 布局鲁棒"的分水岭机制（几何条件化）；ADR-150 拿到了一个有测量依据的训练配方而非猜测；我们获得了两个外部基准（WiFlow-STD、PerceptAlign 数据集）以保持声明诚实。

负面/风险：几何记录给银行增加 schema 面（缓解：可选 + 版本化）；所有采纳数字在我们自己的基准跑完前都是预印本级（缓解：§2.2 禁引规则）；PerceptAlign 数据集许可未确认（已设门槛，后解决）；文档命名冲突风险（缓解："WiFlow-STD (DY2434)" 命名规则）。

2026-12 复查：802.11bf 芯片进展、esp_wifi_sensing 成熟度（当前 v0.1.x）、预印本领域（最新信源 2026 年 4 月）。

开放问题（来自调研运行）：

1. WiFlow-STD 在 ESP32-S3/C6 CSI（更少子载波、更低 SNR）上微调、按我们的 17 关键点集评分时能否保持精度？——已由测量 (b) 部分回答：只有优化迁移、无特征迁移、且未超过 mean-pose 基线；确定性答案需要多受试者/多姿态数据。
2. PerceptAlign 数据集是否可下载、双棋盘格流程是否适配 ESP32 收发器几何？——下载性已解决（MIT），流程适配仍开放。
3. esp_wifi_sensing 是否会朝 802.11bf 合规演进、取代机会性 CSI 提取？

4. 延伸阅读与参考文件

本 ADR 的价值不在于"宣布集成什么"，而在于演示了一套可复制的工程纪律：外部声明必须过对抗验证与证据分级（CLAIMED/MEASURED/REFUTED），性能数字在自家工件复现前禁止引用，被证伪的数字公开撤回（92.9% PCK@20 的撤回流程就是范例）。结合 ADR-151 的每房间校准管线（baseline → enroll → extract → train，约 4 分钟引导式锚点注册）与 ADR-150 的基础编码器，ADR-152 把 RuView 的姿态估计方向钉在"几何条件化 + 诚实基准"两条腿上。

• 决策原文：ADR-152（含逐信源证据分级登记表）
• 几何记录实现：geometry.rs、geometry_embedding.rs
• 注册/银行集成：enrollment.rs（质量门默认阈值：min_presence_z 1.5、empty_max_z 1.0、max_still_motion 0.6、min_move_motion 0.3、min_frames 60；运动判定常数Z_DELTA_MOTION = 0.5）、anchor.rs（GeometryRecorded事件、latest-wins）、bank.rs（with_geometry/geometry_embedding/ 前几何时代 JSON 兼容测试）
• 上游校准系统：ADR-151（CLIwifi-densepose enroll --room living-room注册流程、8 锚点约 4 分钟、STALE诚实降级契约）
• 外部基准实测：benchmarks/wiflow-std/RESULTS.md（测量 (a)/(b)、损坏掩码、边缘量化与效率扫描），脚本见 eval_repro.py、static_ptq_bench.py、tiny_edge_bench.py
• 相关决策：ADR-153（802.11bf 协议层）、ADR-150、ADR-079、ADR-135

【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