企业官网建设流程全解析

RuView 实验 R9 深度解读：RSSI 指纹拓扑——时间邻近是否等于特征邻近？

【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

R9（RSSI fingerprint topology）是 RuView 开源仓库中 SOTA 研究循环（2026-05-22，共 41 个研究 tick）的关键一环，用于回答一个决定产品路径的问题：仅凭 RSSI（接收信号强度）能否完成基于指纹的室内定位？本指南以 R9 实验文档 为骨架，结合同目录 R8、R5、R12 三个姊妹实验与 示例代码，完整还原实验设计、判定逻辑、结果解读与可执行的复现/改进路线。读完你将掌握：RSSI 指纹定位的科学检验范式、K-NN 时间邻近性升幅（lift）指标的构造方法，以及为什么"低带宽模态下计数比定位更容易"这一核心结论直接约束了 RuView 纯 RSSI 部署的边界。

实验动机：R8 的必然追问

R8（RSSI-only person count）刚刚证明了一个反直觉的事实：把 56 个子载波按频带求均值得到 RSSI 代理信号后，一个仅有 656 个参数、输入维度 20 的微型 MLP，在人员计数任务上达到了59.1% 的准确率，保留了全 CSI 模型（cog-person-count v0.0.2，62.3%）约 94.82% 的能力。

这个结果自然引出 R9 的核心问题：RSSI 能否进一步承担"指纹定位"任务？

• 如果成立：整个"手机/智能音箱/电视被动计数并定位家中人员"的故事就能解锁——任何带 WiFi 芯片的设备都成为感知节点；
• 如果不成立：R8 的商业化价值就被限定在"仅计数"这一窄场景内。

R9 选择了一个最干净的、非循环论证的检验设计：不直接测量定位误差（那需要标注位置真值），而是检验一个拓扑性质——记录中的时间邻近是否预测 RSSI 特征空间中的邻近。一份 30 分钟的单一房间录音，一个操作员移动；如果相邻时间戳的 RSSI 序列在特征空间中是彼此的最邻近点，说明指纹信号真实存在；如果每个查询的 K-NN 在时间上是随机的，指纹就溶解进了噪声。

方法与指标：时间邻近性 × 余弦相似度

R9 的五步实验流程（与源码 r9_rssi_fingerprint_knn.py 完全对应）：

1. 构造 RSSI 代理：取 1,077 个成对（paired）CSI 窗口，将每个[56 子载波 × 20 帧]的窗口按子载波求均值，聚合成[20]维的"RSSI 随时间变化"信号（band-mean per frame，与 R8 构造方式一致）。这一聚合恰好模拟了真实非 CSI WiFi 芯片上报的每包 RSSI 字段；
2. Z-score 标准化：跨全部样本做标准化，匹配真实芯片自动增益控制（AGC）的行为；
3. 全对余弦相似度矩阵：计算完整的1077 × 1077相似度矩阵；
4. K-NN 检索：对每个查询点找 top-K（K=5）最邻近样本（排除自身）；
5. 时间邻近性度量：统计这 5 个最邻近样本中有多大比例来自查询时间戳±60 秒以内的窗口，并与随机基线对比。

随机基线的构造是关键的方法学细节：对每个查询，计算所有其他样本中落在 ±60 秒内的比例——它捕获了"即使 5-NN 是随机抽取的，由于数据集本身的时间分布，也会纯靠巧合命中"的平凡效应。核心指标定义为：

Lift = K-NN 落在时间窗口内的比例 / 随机基线

从源码看（第 91-125 行），程序还内置了判定阈值的显式逻辑，这让结论完全可复现、无主观成分：

• lift >= 3.0→STRONG：RSSI 序列携带稳定的空间指纹；
• lift >= 1.5→MODERATE：RSSI 指纹有效但噪声显著；
• else→WEAK：仅凭 RSSI 的指纹定位在该数据上不可靠。

实验结果：2.18× 升幅，判定 MODERATE

实验结果表格（数据同时落在 R9 文档 与 r9_rssi_fingerprint_results.json 两份产物中）：

判定结论——MODERATE（中等）：低于"强指纹"的 ≥3× 阈值，但远高于 1× 随机水平。信号真实存在，但噪声很大。

值得注意逐查询标准差高达 0.183（与均值 0.169 同量级），说明不同查询点之间的指纹稳定性差异极大：某些窗口的 5-NN 高度时间邻近，另一些则接近随机。这也解释了为何不能仅凭整体均值就下"指纹可用"的结论。

三种合理解释与判别路径

R9 文档明确指出，2.18× 的中等升幅与以下三种解释均一致，且各对应不同的改进方向：

1. 20 帧窗口太短：每个窗口约 2 秒 CSI，操作员移动时，带均幅度随身体姿态、呼吸相位、步态相位变化，2 秒不足以捕获稳定指纹。改用 60 帧窗口（约 6 秒，3 倍时间上下文）可能将升幅提升到 3-4×；
2. 单房间数据的指纹空间太小：单一房间内，"指纹"只能编码"人在房间哪里"这个 1-2 米分辨率的子问题，RSSI 不具备这种带宽。而多房间数据的指纹是范畴性不同的（房间 A vs 房间 B vs 走廊），K-NN 升幅可能跳到 5-10×；
3. Band-mean 丢弃了逐子载波形状：R5 证明计数任务的信号是频带分散的，但定位任务的信号可能恰恰需要逐子载波结构——不同房间反射出不同的多径轮廓，对频带的扩散方式不同。R8 的"RSSI 保留 95% 计数能力"并不能直接迁移到定位任务。

三种解释无法在单房间数据上区分，但文档给出了最可执行的判别方案：一旦多房间数据落地，重跑本实验，寻找升幅的范畴性跳变——若 2× 附近（房间内）跳到 8-10×（跨房间），则解释 (2) 成立，指纹定位的 RSSI 路线被证实可行。

事实边界：本实验证明与未证明的

R9 文档对结论边界保持高度自律：

已证明的：

• RSSI 序列不是纯噪声——存在与时间邻近相关的结构，只是其强度不足以支撑当前窗口大小下的单房间指纹定位；
• 纯 RSSI 定位存在清晰的改进路径：更长窗口、多 AP RSSI（利用wifi-densepose-wifiscan的 BSSID 列表作为额外维度）、与计数/姿态输出的融合作为辅助线索。

未证明的：

• 未证明跨房间 RSSI 指纹定位无效——恰恰相反，单房间数据本身就是本实验最可能的失败来源，而非底层能力的失败；
• 未测量 CSI 的 K-NN 表现，CSI 指纹定位是否更好仍是开放问题，是有价值的后续实验。

研究线程互证：计数易、定位难的对称性

R9 的价值在与其他线程的对照中才完全显现：

• R8 对照（计数）：RSSI 保留 95% 计数信号（59.1% vs 62.3%）；R9 对照（定位）：RSSI 在单房间条件下丢失 ≥ 一半的定位信号（2.18× 仅略高于随机 1× 的两倍）。两者构成有意义的非对称性——在低带宽模态下，计数比定位更容易。这也被 04-rssi 目录 README 量化总结为："RSSI 保留约 95% 的计数能力，但仅保留约 30% 的定位能力"；
• R5 支撑（频带分散性）：R5 子载波显著性实验 测出计数任务信号在 56 个子载波上频带分散（max/mean 比仅 2.85×，top-8 子载波分布在整个频带而非集中于单一频段），解释了为什么计数能扛过频带积分、而定位可能需要逐子载波形状；
• R12 印证（结构性漂移）：R12 RF 天气映射实验（结构漂移检测，判定 WEAK）继承了同样的约束：RSSI 是 CSI 协方差矩阵的迹，连完整的 top-10 奇异值谱都无法检测约 1.4 dB 的 3 子载波衰减，RSSI 单独更不可能看到结构性漂移——这类任务需要 CSI 逐子载波或多 AP 指纹。

部署含义：什么时候该用纯 RSSI

基于 R8 + R9 的对称性结论，04-rssi README 给出了明确的部署矩阵（对齐 ADR-113 放置矩阵）：

适合纯 RSSI 的场景：cog-presence（二值占用）、cog-person-count（人数统计）、极度成本敏感的部署（如 R19 家禽规模养殖）。

不适合纯 RSSI 的场景：cog-vital-signs（需要 CSI 逐子载波形状）、cog-pose-estimation（需要 CSI 多站几何）、cog-quantum-vitals（ADR-114，需要 CSI 与 NV 量子传感器融合）。

实操复现指南

仓库中的 r9_rssi_fingerprint_knn.py 是纯 NumPy 实现、零框架依赖，可在任意 Python 3.9+ 环境直接运行：

python examples/research-sota/r9_rssi_fingerprint_knn.py \ --paired data/paired/wiflow-p7-1779210883.paired.jsonl

注：脚本路径需按仓库实际布局调整为examples/research-sota/04-rssi/r9_rssi_fingerprint_knn.py，并确认data/paired/下的成对数据文件存在（当前仓库可见的数据清单中该路径未包含，运行前请核对数据文件）。

脚本支持的参数及默认值：

运行后会在终端打印与仓库 结果 JSON 相同结构的字段：n_samples、k、temporal_window_s、knn_within_window_fraction、random_baseline、lift、per_query_within_fraction_stdev与verdict。修改--temporal-window-s或--k即可快速做敏感性分析。

后续路线图

R9 文档列出的本线程下一步（每条都可直接转化为一次实验）：

1. 60 帧窗口复测：3 倍时间上下文，观察升幅是否跳变；
2. 多 AP 特征化：用wifi-densepose-wifiscan的 BSSID-RSSI 元组构造[N_AP × 20]矩阵（仓库中该 crate 的 BssidRegistry / NetshBssidScanner 等实现 已具备多 BSSID 扫描能力），每个可见 AP 成为一个特征维度；
3. 多房间数据重测：等待多房间数据落地（对应 issue #645），寻找范畴性升幅跳变（房间内 2× → 跨房间 8-10×）；
4. 直接测 CSI K-NN：检验定位信号是否藏在逐子载波形状中，而非频带积分里。

延伸阅读

• 实验产物： R9 实验文档、源码 r9_rssi_fingerprint_knn.py、结果 JSON
• 姊妹实验：R8 RSSI-only 计数（含源码 r8_rssi_only_count.py）、R5 子载波显著性、R12 RF 天气映射
• 汇总视角：SOTA 研究循环总结 与 04-rssi 目录 README（计数 vs 定位非对称性的量化归纳）

【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