企业官网建设流程全解析

RuView R3.1 研究复盘：物理先验环境信号预测在 raw-CSI 层的零样本跨房间重识别为什么失败，以及正确的嵌入层修正架构

【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

WiFi CSI 跨房间人体重识别（cross-room re-ID）是 RuView 空间智能与身份识别能力的核心难题：同一人换一个房间后，能否仅凭 WiFi 信号再次认出他。本指南完整还原 RuView SOTA 研究环中 R3.1 tick 的实验设计与结论——物理先验驱动的环境信号（env_sig）预测在 raw-CSI 层上全面失效（三种跨房间方法全部坍缩到 10% 随机水平），并深入剖析失效根因：raw-CSI 层的位置方差主导，任何环境质心相减都无法消除。读完本文你将掌握：该实验的可复现仿真实现、为什么"减去预测环境信号"必须在 AETHER 嵌入层而非原始信号层执行、以及由此确定的四步零样本跨房间重识别实施路线图。

一、研究背景：从 R3 的正结果到 R3.1 的研究杠杆

R3.1 是整个 R3 研究弧（R3 → R3.1 → R3.2）的中间环节，其研究起点来自 R3 的结论（见 R3-crossroom-reid.md）：

• 在AETHER 嵌入空间（128 维，符合 ADR-024 对比式 CSI 嵌入模型）中，MERIDIAN 环境质心相减可以恢复跨房间重识别精度（仿真中达 100%）；
• 但 MERIDIAN 需要在新房间内有标注样本来估计每个房间的环境质心（environment centroid）；
• R3 文档中明确写出的"下一个研究杠杆"是：利用 R6.1 前向算子 + 粗略房间地图来预测 env_sig，实现零样本（zero-shot）跨房间迁移，即无需新房间任何标注。

R6.1（R6_1-multiscatterer-forward-model.md）提供了六散射体 Fresnel 前向算子。R3.1 的意图就是：把这个"预测环境信号"的想法**放在 raw-CSI 层（而非嵌入层）**实现，并与 R3 的带标签 MERIDIAN oracle 进行基准对比，回答"物理先验预测能否替代统计质心估计"。

二、实验设计：可复现的纯 NumPy 仿真

R3.1 的完整可复现实现位于 r3_1_physics_informed_env.py，纯 NumPy、无第三方依赖，运行后输出 JSON 结果文件（现有结果见 r3_1_physics_env_results.json）。

2.1 核心前向模型（继承 R6.1）

实验沿用 R6.1 的多散射体 Fresnel 前向模型，每个散射体对第 k 个子载波的 CSI 贡献为：

def csi_contribution(scatterer_pos, reflectivity, tx_pos, rx_pos, sub_freqs_hz): d_tx = np.linalg.norm(scatterer_pos - tx_pos) d_rx = np.linalg.norm(scatterer_pos - rx_pos) d_direct = np.linalg.norm(tx_pos - rx_pos) delta_l = d_tx + d_rx - d_direct # 反射路径超出直达路径的额外路程 amp = reflectivity / max(d_tx * d_rx, 1e-3) # 距离衰减 phase = 2 * np.pi * sub_freqs_hz * delta_l / C # 相位 return amp * np.exp(1j * phase)

即csi[k] = Σ_b (refl_b / (d_tx,b · d_rx,b)) · exp(2π·j·f_k·Δℓ_b / c)。仿真参数如下：

2.2 人体与房间散射体建模

人体由 6 个散射体组成（与 R6.1 一致），体型差异是唯一的个体间信号（person_scale同时缩放所有散射体反射率）：

def human_body(cx, cy, person_scale=1.0): return [ {"pos": [cx, cy ], "refl": 0.10 * person_scale, "name": "head"}, {"pos": [cx, cy ], "refl": 0.50 * person_scale, "name": "chest"}, # 胸部贡献最大 {"pos": [cx - 0.20*person_scale, cy], "refl": 0.10 * person_scale, "name": "left_arm"}, {"pos": [cx + 0.20*person_scale, cy], "refl": 0.10 * person_scale, "name": "right_arm"}, {"pos": [cx - 0.10*person_scale, cy - 0.40*person_scale], "refl": 0.10 * person_scale, "name": "l_leg"}, {"pos": [cx + 0.10*person_scale, cy - 0.40*person_scale], "refl": 0.10 * person_scale, "name": "r_leg"}, ]

两个房间各自配备 4 个不同位置、不同反射率的墙面散射体（room_walls_5x5()与room_walls_4x6()），以此模拟环境差异：5×5 m 卧室为 (0.5,4.5)/(4.5,4.5)/(0.5,0.5)/(4.5,0.5)，反射率 0.30/0.25/0.20/0.15；4×6 m 客厅为 (0.3,5.7)/(3.7,5.7)/(0.3,0.3)/(3.7,0.3)，反射率 0.28/0.18/0.32/0.22。关键点：每个受试者的场景 = 人体 6 散射体 + 房间 4 墙面散射体，10 个散射体相干叠加。

2.3 三种跨房间方法与两个基准

• raw 跨房间：不做任何环境处理，直接以房间 2 的 CSI 为 query、房间 1 的 CSI 为 gallery 做 1-shot 余弦 K-NN；
• 带标签 MERIDIAN（oracle）：先计算每房间全部样本的均值作为质心（csi_room.mean(axis=0)），各自减去本房间质心后再做 K-NN——这是"有标签"的统计环境相减上限；
• 物理先验环境预测（零标签）：直接用空房间仿真得到预测 env_sig（simulate(room_walls, tx, rx, freq)，不含人体），从每个人 CSI 中减去该预测值——这正是本 tick 想验证的零样本方法。

# 物理先验：空房间仿真即为预测的环境信号（不需要任何标签） env_sig_room1_predicted = simulate(room1_walls, tx1, rx1, freq) env_sig_room2_predicted = simulate(room2_walls, tx2, rx2, freq) # 从每个受试者的 CSI 中减去预测 env_sig csi_room1_phys = csi_room1 - env_sig_room1_predicted csi_room2_phys = csi_room2 - env_sig_room2_predicted

同时计算房内基准（same-room K-NN）作为对照组，K-NN 判定采用 1-shot 多数投票。

三、结果：三种跨房间方法全部坍缩到随机水平

复现结果（与文档表格、r3_1_physics_env_results.json 完全一致）：

三条跨房间路径全部坍缩到 10% 随机水平——不仅物理先验方法失败，连带标签的 MERIDIAN oracle 也失败。这与 R3（tick 12）中"带标签 MERIDIAN 达到 100%"的嵌入层结果形成了鲜明对比，是研究环内继 R13 无接触血压、R12 原始 PABS 之前的第三个诚实负面结果。

四、深层剖析：为什么 R3 有效而 R3.1 无效

R3 与 R3.1 的差异本质上是操作空间的差异：

**R3（嵌入层，成功）**仿真于 128 维 AETHER 风格嵌入空间，其中：

• person_signature、environment_signature、noise 占据相互独立的随机方向；
• env_sig 是每房间单一固定向量（房间内无位置方差）；
• 余弦归一化部分吸收环境偏移。

**R3.1（raw-CSI 层，失败）**工作在 52 维复数 CSI 上，其中：

• 每个受试者在每房间有 3 个位置，每个位置都有自己独特的复数 CSI 签名；
• 房间内的位置间方差可能超过房间间的个体间方差——这是决定性因素；
• 减去单一房间质心只能移除位置的均值，无法移除位置的方差。

文档中的核心论断值得原文引用："AETHER 嵌入空间对房间内位置做了不变性处理（invariantises over within-room position）；raw CSI 做不到。raw-CSI 层的跨房间问题本质上比嵌入层更难。"

五、三种负面结果的分类学：R3.1 属于"架构错误型"

R3.1 的另一个方法论贡献，是让研究环具备了完整的三类负面结果分类（汇总于 00-summary.md）：

"判断一个负面结果属于哪个类别，本身就是研究贡献"——R3.1 明确属于第三类：它不是物理墙，而是可修正的设计选择。

六、纠正后的架构与四步实施路线图

物理先验环境预测方法并没有死——它只是需要在嵌入层而非 raw-CSI 层执行。纠正后的架构：

raw CSI → AETHER 嵌入头（位置不变） → 物理先验环境相减 → 跨房间 K-NN

等价表述：从AETHER 头的输出（而不是原始输入）中减去物理预测的 env_sig。AETHER 已经完成"对位置做不变性"的重活，物理先验预测只需移除剩余的房间位移分量。

由于这要求 AETHER（ADR-024）被训练或微调（超出本研究环范围），实施路线图被明确固定为：

1. 逐安装微调 AETHER 头（以 ADR-024 基线为起点）；
2. 用R6.1 前向算子 + 房间地图计算物理先验 env_sig；
3. 从第 1 步的输出中减去第 2 步的 env_sig → 得到不变性嵌入；
4. 在新房间无任何标签的情况下做跨房间 K-NN 匹配。

该修正架构的实证验证由 R3.2 完成（R3_2-embedding-level-physics-env.md，实现于 r3_2_embedding_physics_env.py）：物理先验 + 残差校正以零标签达到与带标签 MERIDIAN oracle 相同的 20%（2×随机水平）——架构正确性得到结构性验证；未能达到 80%+ 的原因是合成 AETHER 替身（跨位置均值池化）的个体信号过弱，真正的对比学习 AETHER 头处于关键路径上。

七、与既有研究线程的衔接

• R3（跨房间重识别）：R3.1 通过展示raw-CSI 版本失败，间接确认了 R3 的"嵌入空间内 MERIDIAN"结果——R3 选择嵌入空间是正确决策；
• R6.1（多散射体 Fresnel）：提供了前向算子。R3.1 使用过它；算子正确，是应用层级错误；
• R12 PABS（POSITIVE）：直接在 raw CSI 上工作但不在房间间比较——PABS 检测房间内的结构变化，跨房间迁移需要额外的不变性层（= AETHER）。这解释了为什么 PABS 在 raw 层有效而跨房间方法在 raw 层无效；
• R14 / R15 / ADR-105：隐私框架不受影响；AETHER + 物理环境预测仍按 ADR-106 保持全设备端（on-device）执行，跨安装重识别仍被 R3 + R14 + R15 + ADR-106 禁止。

八、为什么这个负面结果仍然有用

1. 在实现前暴露架构错误：若无此 tick，未来工程师很可能采用直觉上"显然正确"的"从 raw CSI 减去预测环境信号"方案并浪费数周时间。R3.1 记录了这一失败；
2. 收紧了 R3 实施路线图：纠正后的架构现已明确可执行；
3. 论证了嵌入空间与原始空间方法的差异：这一结论可泛化到代码库中所有"减去学习/预测的干扰项（nuisance）"模式。

九、诚实边界（Honest scope）

实验结论的有效范围需严格限定，文档明确列出：

• 10 名受试者、0.85–1.15× 体型变化是刻意弱化的个体签名。更强的生物特征基元（步态、呼吸、R15 的 RCS）会带来更大的个体对比度；"raw-CSI 层失败"的结论可能对该尺度敏感，在更丰富生物特征输入下 raw 层方法或许能恢复；
• 每房间仅 3 个位置。位置数增至 5–10 时失败将更尖锐；减至 1 时会部分成功；
• 位置方差主导性是几何相关的。长窄房间与方形房间的方差比不同，本实验只覆盖一种几何；
• 未测试"带标签 MERIDIAN 逐位置聚类"（对房间内位置聚类、减去每簇质心）。这或许能让带标签 oracle 成功，其物理先验等价物需要位置聚类层。

十、能做什么 / 不能做什么 / 下一步

能做的：阻止浪费性的实现投入；提供修正的架构草图（嵌入层物理先验环境预测）；提供参考基准——证明 raw-CSI 层的跨房间问题确实困难，为 R3 的嵌入层结果提供对照。

不能做的：最初设想的零样本跨房间重识别（仍需嵌入层实现 R3.2）；对现有房内重识别的任何改进（房内识别本就有效）；跨安装重识别（仍被 R3 + R14 + R15 + ADR-106 禁止）。

下一步：

• R3.2：嵌入层物理先验环境预测（修正架构），需要 AETHER + R6.1 集成，超出本研究环范围；
• R12.1（pose-PABS 闭环）：仍是杠杆率最高的下一步实现；
• ADR-107（跨安装联邦）：继续搁置。

十一、快速复现指南

在仓库根目录下直接运行仿真脚本即可复现全部数字：

python examples/research-sota/05-cross-room-reid/r3_1_physics_informed_env.py

脚本会打印五种配置的 1-shot K-NN 精度与判定结论（物理先验是否达到 MERIDIAN 的 90% 以内），并写入r3_1_physics_env_results.json。同目录下的 README.md 汇总了 R3 弧三个 tick 的状态机（POSITIVE → NEGATIVE → STRUCTURALLY VALIDATED），00-summary.md 则将 R3.1 定位为"三次诚实范围发现"之一。若想继续探索嵌入层修正方案，运行：

python examples/research-sota/05-cross-room-reid/r3_2_embedding_physics_env.py

核心结论回顾：R3.1 证明"物理先验环境预测"方法本身成立，但必须在正确的空间（嵌入层）应用——raw-CSI 层实验暴露出错误空间不会带来任何提升。这一"方法正确、层级错误"的教训，与 ADR-024 的 AETHER 对比学习头共同构成了 RuView 跨房间重识别通向生产的完整拼图。

【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