RuView 多频网格感知应用实战：从 RF 层析成像到穿墙检测的五个单信道无法实现的应用

导读

RuView 的多频网格扫描（ADR-073）让两台 ESP32-S3 节点在 6 个 WiFi 信道间跳频，把"被动照射"邻居 AP 变成射频感知基础设施。本文以 ADR-078 为骨架，系统讲解只有多频扫描才能实现的五类感知应用：RF 层析成像、无源双基地雷达、频选材料分类、穿墙运动检测与设备射频指纹。读完本文，你将掌握每个应用的物理原理、算法流程、对应脚本的真实 CLI 参数，以及脚本在 scripts 目录中的源码级实现细节，可直接用 live UDP 或 JSONL 回放数据复现实验。

---

一、背景：为什么需要"多频"而不是"加信道"

ADR-078 是 ADR-073 多频网格扫描 的后续。ADR-073 建立了这样的基础设施：2 个 ESP32-S3 节点分别跳频扫描 6 个 WiFi 信道（1、3、5、6、9、11），利用环境里 9 个邻居 WiFi 网络作为"免费的被动照射源（illuminator of opportunity）"。

单信道 CSI 只观察一个频率（例如信道 5 @ 2432 MHz），在约 20 MHz 带宽内提供 52～64 个 OFDM 子载波的幅度与相位。多频扫描把观测扩展到 2412–2462 MHz 的 50 MHz 跨度，每个信道给出独立的多径观测——同一物理路径在不同频率上的干涉图案完全不同。

关键物理事实：2 cm 的路径差在 2432 MHz 处产生干涉相消（null），却在 2412 MHz 处产生相长干涉。因此频率本身就是一条新的信息维度，这正是本 ADR 五类应用的共同立足点。

1.1 可用的部署基础设施

资源	细节
节点 1（COM7）	ESP32-S3，跳频信道 1、6、11（互不重叠），200 ms 驻留
节点 2	ESP32-S3，跳频信道 3、5、9（交错、贴近邻居 AP），200 ms 驻留
邻居 AP	9 个网络，分布在信道 3、5、6、9、11
数据传输	UDP 5006 端口，ADR-018 二进制帧格式
录制数据	data/recordings/overnight-*.csi.jsonl

1.2 邻居 AP 照射源表（来自 ADR-078）

SSID	信道	频率 (MHz)	信号强度 (%)	角色
ruv.net	5	2432	100	主照射源
Cohen-Guest	5	2432	100	同信道照射源
COGECO-21B20	11	2462	100	高频照射源
HP M255 LaserJet	5	2432	94	设备指纹识别目标
conclusion mesh	3	2422	44	低频照射源
NETGEAR72	9	2452	42	中高频照射源
NETGEAR72-Guest	9	2452	42	同信道照射源
COGECO-4321	11	2462	30	弱高频照射源
Innanen	6	2437	19	弱中心频段照射源

ADR-073 还指出，跳频会牺牲单信道采样率（单信道 12 fps → 每信道约 4 fps），且只有 ADR-018 二进制帧头在字节 [8..11] 携带信道/频率字段，服务端才能区分不同信道的帧——这正是 ADR-078 五个脚本能工作的前置条件。

---

二、应用一：RF 层析成像（RF Tomographic Imaging）

2.1 原理与算法

由于多径干涉随频率变化，每个 WiFi 信道对房间的"透视结果"各不相同。6 信道 × 2 节点形成 12 条独立的 RF 路径观测。RF 层析把每条发射–接收路径上的衰减反投影（back-project）到房间网格：路径交汇处衰减高即存在吸收体（人、家具、墙），衰减低则为空旷空间。

ADR-078 给出的算法流程为：

For each CSI frame:
  1. Compute path attenuation = RSSI_free_space - RSSI_measured
  2. For each cell in a 10x10 room grid:
     a. Compute the cell's distance to the TX->RX line (perpendicular distance)
     b. Weight contribution by 1/distance (cells near the path contribute more)
  3. Accumulate weighted attenuation across all frames, channels, and node pairs
  4. Normalize: cells with high accumulated attenuation = absorbers (people/objects)

可使用代数重建技术（ART）做迭代细化，或直接用简单反投影做实时显示。

2.2 分辨率与单信道的局限

• 理论分辨率约 λ/2 = 6 cm（2.4 GHz）；
• 双节点几何下实际约 20 cm；
• 频率分集增益约 √6 ≈ 2.4 倍（相对单信道）。

单信道对每条路径只有一个频率观测点。当路径恰好处于相长干涉点时，单信道测得的穿透衰减可能为零，从而漏检人体；多信道提供了穿过同一空间路径的独立衰减测量，大幅提升可靠性。

2.3 源码实现要点：rf-tomography.js

脚本 以 TomographyGrid 类为核心（rf-tomography.js）：

• 内部维护 attenuation 与 pathCount 两个 Float64Array(gridSize × gridSize)，前者累加衰减、后者用于归一化，还有按信道区分的 channelAttenuation Map 以支持频率分析。
• pointToLineDistance()（L124-L131）用叉积计算网格单元中心到 TX→RX 直线的带符号垂直距离。
• backProject()（L142-L175）中，反投影核宽取 max(cellWidth, cellHeight) * 1.5（注释说明：2.4 GHz 下 λ/2 ≈ 6 cm 理论核宽，但为数值稳定取更宽），对核内每个单元按高斯权重 exp(-0.5*(dist/(kernelWidth*0.4))²) 累加。
• detectObjects(threshold=0.6) 输出高衰减单元（潜在的"人"位置），getImage() 按 pathCount 归一化到 0–1 后映射为 8 级 Unicode 方块字符热力图（HEAT 数组），空气→实体由浅到深。

CLI 支持以下参数（源码 L31-L53）：

node scripts/rf-tomography.js                                # UDP 5006 实时
node scripts/rf-tomography.js --port 5006 --duration 60      # 指定端口与运行时长
node scripts/rf-tomography.js --replay data/recordings/overnight-1775217646.csi.jsonl
node scripts/rf-tomography.js --grid 15 --node-distance 4.0  # 更细网格 + 拉大节点间距

其中 --grid 默认 10（网格规模）、--node-distance 默认 3.0 米、--room-width/--room-height 默认 5.0/4.0 米，配合 --json 可输出机器可读结果。

---

三、应用二：无源双基地雷达（Passive Bistatic Radar）

3.1 原理

邻居 WiFi AP 持续发送且不受我们控制。ESP32 节点捕获这些发射的 CSI，其相位与幅度已被房间内物体调制。每个邻居 AP 就是一个位于已知位置与频率的免费"机会照射源"。

这与军用无源雷达（乌克兰 Kolchuga、捷克 VERA-NG 利用 FM/电视发射塔探测飞机）原理一致——只是把广播塔换成 WiFi AP，把飞机换成室内的人。

3.2 算法与多基地几何

For each neighbor AP (identified by BSSID/channel):
  1. Track CSI phase progression across consecutive frames
  2. Compute Doppler shift: fd = d(phase)/dt / (2*pi)
     - Positive Doppler = target moving toward the AP
     - Negative Doppler = target moving away
  3. Compute range from subcarrier phase slope:
     - tau = d(phase)/d(subcarrier_freq) / (2*pi)
     - range = c * tau (where c = speed of light)
  4. Build range-Doppler map per AP
  5. Fuse multi-static detections:
     - Each AP provides a range ellipse (locus of constant TX->target->RX delay)
     - Intersection of 3+ ellipses = target position

3 个以上邻居 AP × 2 个 ESP32 接收端 → 6 个以上双基地对。每对把目标约束在一个椭圆（TX→目标→RX 等延时轨迹）上，多个椭圆求交即得 2D 位置：

         AP1 (ch5)        AP2 (ch11)
           \                /
            \   TARGET    /
             \   /|\    /
              \ / | \ /
    ESP32_1 ---*--+--*--- ESP32_2
              / \ | / \
             /   \|/    \
            /   TARGET   \
           /                \
         AP3 (ch3)        AP4 (ch9)

单信道只能看到该信道上的 AP——比如固定信道 5 只能看到 ruv.net 与 Cohen-Guest，完全错过 COGECO-21B20（ch11）、conclusion mesh（ch3）、NETGEAR72（ch9）。多频扫描捕获 6 个信道全部 9 个 AP 的照射，三角定位才具备几何多样性。

3.3 源码实现要点：passive-radar.js

脚本 的核心是 IlluminatorTracker（L94-L271）：

• 每个照射源按 ssid-node 键维护最多 64 帧的相位/幅度环形缓冲（maxHistory = 64）。
• computeRangeDoppler() 中多普勒由每个子载波的相位–时间线性回归斜率得到：fd = slope / (2π)；回归前先做相位解缠绕（while (phase - prevPhase > π) phase -= 2π，见 L152-L164）。
• 距离由每帧内相位随子载波索引的斜率得到：已知 OFDM 子载波间隔 312.5 kHz，tau = |slope| / (2π × 312.5e3)，再 range = c·tau/2（双基地距离减半）。
• 距离–多普勒图覆盖 maxDoppler = 5 Hz（约合 2.4 GHz 下 0.3 m/s）与 maxRange = 10 m，由 --doppler-bins（默认 16）和 --range-bins（默认 12）控制分 bin 粒度。
• getDominantDoppler() 从图中提取最强目标的 doppler / velocity = fd·λ/2 / range。
• MultiStaticFusion（L276 起）按信道匹配 ILLUMINATORS 表（脚本内 8 个 AP 均带 freq 与估算的 pos 坐标）为每个照射源独立建 tracker，最后融合多个双基地椭圆求交。

运行示例：

node scripts/passive-radar.js                                # 实时，默认间隔 3000 ms
node scripts/passive-radar.js --port 5006 --duration 60
node scripts/passive-radar.js --replay data/recordings/overnight-1775217646.csi.jsonl
node scripts/passive-radar.js --doppler-bins 16 --range-bins 12

---

四、应用三：频选材料分类（Frequency-Selective Material Classification）

4.1 原理

不同材料对 2.4 GHz WiFi 的吸收/反射随频率变化的方式不同：

材料	衰减特征	频率依赖性
金属	全反射、深 null	频率平坦（等量阻挡）
水/人体	强吸收	随频率上升（介电损耗 ~ f²）
木材	温和衰减	随频率上升（含水率）
玻璃	低衰减	几乎频率平坦
石膏板	低–中衰减	轻微频率依赖
混凝土	中–高衰减	随频率上升

物理依据：2.4 GHz 下水的复介电常数约为 εr = 77 − j10，虚部（损耗）在 WiFi 频带内随频率上升；金属在任意频率都是理想导体；玻璃（εr ≈ 6 − j0.1）在所有 WiFi 频率上损耗可忽略。50 MHz 跨度（2412–2462 MHz）虽然只占载频约 2%，但足以区分含水材料（人体、湿木、盆栽）的频变吸收特征与金属、玻璃这类频率平坦材料的平坦特征。

4.2 算法

ADR-078 的判定框架为：先算平坦比 flat ratio = std(A across channels) / mean(A across channels) 与线性回归斜率，再按规则分类——金属是高衰减+平坦；玻璃/空气是低衰减+平坦；水/人体是正斜率（衰减随频率增）+高衰减；木材是正斜率+中等衰减；高跨信道方差则为复杂散射体。

注意方向约定：ADR-078 以"衰减 A"表述（正斜率 = 衰减随频率上升 = 含水材料），而 material-classifier.js 的实现以幅度为度量（幅度随频率下降即衰减随频率上升），源码注释 L176-L177 写的是 "Negative slope (amp decreases with freq) AND mean < 6.0 -> Water/Human"。两者只是符号取反，物理一致。

4.3 源码实现要点：material-classifier.js

• 材料字典（L70-L78）：METAL(#)、WATER(~)、HUMAN(@)、WOOD(|)、GLASS(:)、AIR(.)、COMPLEX(?)，各带 ASCII 标记与说明。
• 关键常量 NULL_THRESHOLD = 2.0，用于把某子载波在特定信道上的幅度视为 null（该信道看不到这个频点）。
• 分类器对每个子载波计算跨信道 flatRatio 与 slopePerMHz（幅度–频率线性回归归一化）。实际判定阈值从源码可见（L235-L248）：flatRatio < 0.15 且均值极低判金属类；均值较高判玻璃/空气类；slopePerMHz 为显著负值且均值区间不同分别判 Water/Human、Wood；flatRatio > 0.5 判 Complex。实现文档中的 0.1 调整为 0.15，需以源码为准。
• CLI 提供 --window（默认 20 帧的分析窗口）与 --interval（默认 5000 ms）。注意分类需要长时间平均窗口（5–10 s）来提高频变测量的 SNR，这也是本应用刷新率低于前两者的原因。

运行示例：

node scripts/material-classifier.js
node scripts/material-classifier.js --port 5006 --duration 60
node scripts/material-classifier.js --replay data/recordings/overnight-1775217646.csi.jsonl
node scripts/material-classifier.js --window 40

4.4 为什么单信道不行

材料分类必须测量"衰减如何随频率变化"。单信道只有一个频率点，根本没有可供测量的频率轴；多频扫描提供跨越 50 MHz 的 6 个频率点，才能计算斜率与方差。

---

五、应用四：穿墙运动检测（Through-Wall Motion Detection）

5.1 原理

WiFi 频率越低穿墙越好。2.4 GHz 下标准石膏板+木龙骨隔墙的穿损大致为：信道 1（2412 MHz）2.5 dB、信道 6（2437 MHz）2.6 dB、信道 11（2462 MHz）2.7 dB（混凝土则约 8.0/8.3/8.6 dB）。绝对差异很小（约 0.2 dB），但 6 个信道仍可实现：

1. 在校准期（墙后无人）标定墙体的频率相关衰减轮廓；
2. 检测超出基线的变化 = 墙后运动；
3. 对低频信道加权更高（其穿墙 SNR 更好）；
4. 跨信道交叉验证：真实的墙后运动会出现在所有信道上（幅度随频率变化），而干扰/噪声通常只出现在单个信道。

5.2 算法

Calibration phase (60 seconds, no motion behind wall):
  For each channel ch:
    baseline_mean[ch] = mean(CSI amplitude over calibration)
    baseline_std[ch] = std(CSI amplitude over calibration)

Detection phase:
  For each frame on channel ch:
    1. Compute deviation = |current_amplitude - baseline_mean[ch]| / baseline_std[ch]
    2. Channel weight = f(penetration_quality[ch])
    3. Per-channel score = deviation * weight

  Fused score = weighted sum across channels
  Alert if fused_score > threshold for N consecutive frames

单信道穿墙检测误报率高，因为无法把墙效应与运动区分开。多频方案在校准时刻画墙体频率响应、逐信道扣除墙效应，再跨信道交叉验证（真实运动跨频率相干，噪声不相干），频率分集带来约 √6 ≈ 2.4 倍的检测 SNR 提升。

5.3 源码实现要点：through-wall-detector.js

脚本 实现了完整的"校准→检测→持续告警"状态机：

• PENETRATION_WEIGHT（L74-L80）体现"低频穿透更好"：信道 1（2412 MHz）权重 1.00（最佳穿透），信道 11（2462 MHz）权重 0.80（最差），其余信道回退默认 0.9。
• ChannelBaseline（L91 起）在校准期累计每信道幅度均值/方差，computeDeviation() 按 |amp - mean| / std 计算逐子载波偏差。
• 检测阶段逐信道算 weightedScore = deviation × weight，融合分 fusedScore 为各信道加权均值（L227-L233）。
• 跨信道相干性 coherence：只有当多数信道偏差超过 alertThreshold × 0.5 时才累计告警，且需 fusedScore > threshold && coherence > 0.4（L245-L248），连续 consecutiveFrames（默认 3）帧成立才真正触发——这就是把"真实运动相干、噪声不相干"落成代码。

ADR-078 要求 60 s 校准；实现中 --calibrate 默认为 30 秒可调：

node scripts/through-wall-detector.js --calibrate 60          # 60 秒墙后无人的校准
node scripts/through-wall-detector.js --port 5006 --duration 300
node scripts/through-wall-detector.js --replay data/recordings/overnight-1775217646.csi.jsonl
node scripts/through-wall-detector.js --threshold 3.0 --consecutive-frames 5

其他参数：--interval 默认 1000 ms，--threshold 默认 2.5，--json 输出结构化告警。

---

六、应用五：基于 RF 辐射的设备指纹（Device Fingerprinting via RF Emissions）

6.1 原理

每台电子设备都有独特的 RF 特征，会以设备专属方式调制邻近的 WiFi 信号：

• WiFi AP：独特的发射功率、相位噪声与时钟漂移特征；
• 打印机：HP M255 LaserJet 打印时（电机 EMI）在特定子载波上产生图案；
• 微波炉：2.45 GHz 磁控管辐射横跨信道 8–11，形成宽带干扰；
• 蓝牙设备：2.4 GHz 跳频在多个信道制造瞬态尖峰。

6.2 算法

Learning phase:
  For each known device (from WiFi scan SSID/BSSID correlation):
    1. Record CSI patterns when device is active vs inactive
    2. Compute per-channel signature:
       - Mean amplitude profile across subcarriers
       - Variance profile (active devices increase variance on specific subcarriers)
       - Phase noise characteristics
    3. Store signature as device fingerprint

Detection phase:
  For each analysis window:
    1. Compute current CSI profile per channel
    2. Correlate against stored fingerprints
    3. Report device activity: "HP printer active (confidence 0.87)"

多频优势：不同设备作用于不同信道——HP 打印机（ch5）只在打印时影响信道 5 的子载波 20–40；NETGEAR72 路由器（ch9）在信道 9 制造与时钟漂移相关的相位图案；微波炉宽带干扰在信道 9–11 最强。单信道只能看到作用于该信道的设备；多频扫描观察整个 2412–2462 MHz，无论设备工作在哪个信道都能检测其活动。

6.3 源码实现要点：device-fingerprint.js

脚本 内置了从 WiFi 扫描获得的 8 个已知设备表（L71-L80），带 id/ssid/channel/signal/type，例如 hp-printer（信道 5，信号 94，type: printer）、netgear72（信道 9）、cogeco-21b20（信道 11）。指纹学习与保存 CLI：

node scripts/device-fingerprint.js                           # 检测模式（默认）
node scripts/device-fingerprint.js --learn 30                # 30 秒学习阶段
node scripts/device-fingerprint.js --port 5006 --duration 120
node scripts/device-fingerprint.js --replay data/recordings/overnight-1775217646.csi.jsonl
node scripts/device-fingerprint.js --save-fingerprints fp.json
node scripts/device-fingerprint.js --load-fingerprints fp.json   # 复用已存指纹

学习时长 --learn 默认 20 秒，--interval 默认 5000 ms；--save/--load-fingerprints 支持把指纹持久化到 JSON，便于多次检测复用同一批特征库。

---

七、五个脚本的共享基础设施

ADR-078 的"Implementation"一节强调，5 个脚本共享同一套基础设施，这在源码中逐一对得上：

组件	细节	源码位置
包格式	ADR-018 二进制（UDP）或 .csi.jsonl（回放）	两套解析共用
IQ 解析	parseIqHex()（JSONL 用）、parseCSIFrame()（二进制 UDP 用）	rf-tomography.js L246-L293
信道分配	二进制帧的 freq 字段；老 JSONL 用模拟轮询	各脚本 CHANNEL_FREQ 映射
节点位置	可配置，默认节点 1 在 (0,0)、节点 2 在 (3,0) 米（脚本内以 --node-distance、房间尺寸参数表达）	各脚本 NODE_POS
可视化	ASCII Unicode 块字符与制表符	HEAT / RD_CHARS / 各材料字符

二进制帧解析逻辑从源码可确认（rf-tomography.js L265-L293）：魔数 0xC5110001，20 字节头内 nodeId@4、nSubcarriers@6、freqMhz@8、rssi@16，数据区每子载波 2 字节有符号 I/Q。信道由频率换算：freqMhz ∈ [2412, 2484] → channel = round((freqMhz-2412)/5)+1（2484 MHz 特判为信道 14）。

脚本规模与核心算法（ADR-078 实现清单）：

脚本	应用	约行数	核心算法
rf-tomography.js	RF 层析成像	~500	ART/反投影
passive-radar.js	无源双基地雷达	~500	距离–多普勒 + 多基地融合
material-classifier.js	材料分类	~450	频选衰减分析
through-wall-detector.js	穿墙检测	~400	基线化多信道异常检测
device-fingerprint.js	设备指纹	~450	逐信道签名相关

注：ADR-078 中记录路径写作 data/recordings/overnight-*.csi.jsonl，并以 overnight-1775217646.csi.jsonl 作为回放示例；ADR 也明确指出这些历史录制数据采集于多频扫描部署之前、缺少信道/频率字段，回放时代码会为旧数据模拟信道分配（见下文"风险"）。

数据需求与两种运行模式

• Live 模式：UDP 5006 端口，2 个 ESP32 节点按 ADR-073 跳频。注意需先按 ADR-073 的 provisioning 命令配置固件跳频表：

  # 节点 1（COM7）：非重叠信道 1、6、11
  python firmware/esp32-csi-node/provision.py --port COM7 \
    --ssid "ruv.net" --password "..." --target-ip 192.168.1.20 \
    --hop-channels 1,6,11 --hop-dwell-ms 250
  # 节点 2（COM_）：交错信道 3、5、9
  python firmware/esp32-csi-node/provision.py --port COM_ \
    --ssid "ruv.net" --password "..." --target-ip 192.168.1.20 \
    --hop-channels 3,5,9 --hop-dwell-ms 250
  

  跳频基础设施由固件提供（ADR-029 的 csi_collector_set_hop_table() 等），ADR-018 帧头已含信道/频率字段，服务端解析无需改固件。
• Replay 模式：--replay <file.csi.jsonl>，适用于离线验证与算法开发。
• 校准：穿墙检测器用 --calibrate 完成 60 s（默认 30 s）无运动基线。

性能目标（ADR-078 设计指标）

应用	延迟	更新率	精度目标
RF 层析成像	每帧 <100 ms	1 Hz 图像更新	20 cm 空间分辨率
无源雷达	每帧 <200 ms	2 Hz 距离–多普勒	1 m 距离、0.1 m/s 速度
材料分类	每窗口 <500 ms	0.5 Hz 分类	70% 材料识别正确率
穿墙检测	每帧 <100 ms	2 Hz 检测	90% 真阳性、<10% 假阳性
设备指纹	每窗口 <1 s	0.2 Hz 活动更新	80% 设备识别正确率

以上为 ADR-078 提出的性能目标（非已实测结果），可作为复现实验的验收基准。

---

八、风险与缓解（在源码中的印证）

• 频率跨度有限：50 MHz 只有载频的 2%，材料分类精度依赖斜率在此窄带内可测。缓解：用 5–10 秒长平均窗口——对应脚本中 material-classifier.js 的 --window（默认 20 帧）与较长的 --interval。
• 节点几何受限：2 个节点使反投影沿节点连线方向近似 1D，垂直方向分辨率差。缓解：邻居 AP 为被动雷达模式提供额外几何分集——见各脚本内置的 ILLUMINATORS 位置表。
• 旧数据兼容性：overnight-*.csi.jsonl 录制于多频部署之前、无信道字段，回放时代码模拟信道分配（文档描述）；完整多频数据需要带跳频重新录制。
• 相位校准：被动雷达需要跨帧精确相位跟踪，但 ESP32 CSI 每次跳频引入随机相位偏移。缓解：使用相邻帧的相位差而非绝对相位——passive-radar.js 的 computeRangeDoppler() 即对相位历史做差分式解缠绕回归，规避了绝对相位问题。

---

九、被否定的备选方案（ADR-078 记录）

1. 5 GHz 多频：环境无 5 GHz AP 可见、无免费照射源，放弃。
2. UWB 超宽带：ESP32-S3 不支持 UWB，需额外 DW1000/DW3000 硬件，放弃。
3. 专用雷达硬件：多频 WiFi 感知可利用现有基础设施以零额外成本实现类似能力，放弃。

---

结语与进一步阅读

ADR-078 的价值在于把"信道跳频"这一传输层能力转化为五类可运行的感知应用。每一个应用都精确对应 scripts 目录下真实可执行的 Node.js 脚本，可先以 --replay 验证算法，再接入 ADR-073 的 UDP 5006 实时流。相关文档链条为：ADR-073 多频网格扫描 → ADR-078 多频网格感知应用；底层依赖包括 ADR-018 二进制帧格式、ADR-029 跳频基础设施与 ADR-069 Cognitum Seed 向量库集成（多频特征向量的 kNN 语义检索）。作为延伸，多频输出的跨信道时序模式还可供 ADR-074 的 SNN（snn-csi-processor.js）做跨信道时空融合。