RuView 逐房间校准与专家小模型训练：用 4 分钟引导锚点把 WiFi CSI 调教成专属房间模型

本文以 ADR-151（docs/adr/ADR-151-room-calibration-specialist-training.md）为核心，完整讲解 RuView 的"逐房间校准 + 专家化小模型训练"系统：一条本地优先的 baseline → enroll → extract → train 四阶段流水线，如何在已有 ADR-135 空房间指纹之上，用约 4 分钟的引导式人体锚点采集，训练出一组按 room_id 作用域版本化的小型专家模型（呼吸、心跳、睡眠躁动、姿态、在场、异常），并配合置信度门控与 STALE 失效机制在本地运行。读完本文，你能理解该系统的架构决策、逐阶段的数据契约与质量门控阈值，并能在 ESP32 CSI 数据源上复现 enroll / train-room / room-status / room-watch 的完整操作。

1. 为什么"先教房间，再教模型"：问题背景与定位

ADR-151 开篇给出的论点是：RuView 的部署边界不在更强的通用模型，而在"先教房间，再教模型"（teach the room before you teach the model）。ADR-150（docs/adr/ADR-150-rf-foundation-encoder.md）记录了这堵墙的直接证据：MM-Fi 姿态头在域内取得 81.63% 的 torso-PCK@20，但跨主体（去泄漏后）只剩约 11.6%，而且更大的容量反而损害跨主体泛化（transformer 24.8% < conv 27.3%）。一个"理解世界"的超大模型会过拟合它见过的房间与人体。

因此系统取规模的相反方向作为杠杆：一个理解"某个特定房间 + 某个人"的小模型，几分钟内完成校准，本地运行，并按生物信号逐一特化。文档将 RuView 放在环境感知领域的两个既有范式之间：

• 可穿戴设备——高保真，但人总会忘记佩戴，且只测量佩戴者本人；
• 摄像头——能力强，但侵入性强、存储可识别视频，在黑暗/被覆盖场景失效。

RuView 的中间位置是：学习空间、学习人，跟踪生物节律（呼吸、心跳、躁动、姿态、在场），而不看皮肤、不存视频。文档的关键判断是：心跳和呼吸不是视觉问题，而是射频场中微小、重复的扰动；把它们采得好是一个"校准问题"，而不是"模型规模问题"。

1.1 能力盘点：缺的是"连接组织"

ADR 逐条盘点了流水线各环节的既有状态（下表为原文档 §1.2 的完整继承）：

能力	现状	缺口
空房间基线（环境指纹）	ADR-135 BaselineCalibration：每子载波幅度 + 圆相位统计，ruvcal NVS 命名空间	捕获的是房间，缺少在其上叠加引导式人体锚点的步骤
场本征结构	ADR-030 field_model.rs（SVD 房间本征模态）	消费校准结果，但未接入训练触发
共享不变骨干	ADR-150 RF Foundation Encoder（姿态保持、跨主体/房间/设备不变）	被定义为基础嵌入；没有东西把它蒸馏进逐房间专家
少样本适配	rapid_adapt.rs——测试时训练 → LoRA 权重增量（MERIDIAN P5）	只产出单个姿态适配增量，不产出按模态的专家库
特征提取器	ruvsense/{bvp,longitudinal,intention,gesture,pose_tracker,adversarial}.rs、train/src/signal_features.rs	各自输出信号，但没有一个被打包成带标注的训练源
小模型存储	wifi-densepose-ruvector（RVF 认知容器、HNSW、sketch）	没有"按 room_id 作用域的专家模型库"的 schema
HF 发布	ADR-149 AetherArena + from_pretrained 路径	发布/评估的是全局模型；没有"已发布骨干 + 私有本地头"的概念

缺失的系统就是"连接组织"：一个引导式注册协议、一个"特征提取→标注"的桥接层、一个复用冻结 HF 骨干的专家库训练器、以及一个以置信度门控融合各专家的运行时。ADR-151 定义的就是这套系统。

2. 四步用户模型与两条设计不变量

系统面向操作者刻意呈现为四步普通操作，每步落到既有或新增代码上：

1. 采集安静基线——无人，只有房间/路由器/反射/噪声/漂移 → 环境指纹。复用 ADR-135 BaselineCalibration + ADR-030 场本征模态，不写新采集代码；
2. 采集引导样本——站立、坐下、躺下、慢呼吸与正常呼吸、小动作、睡姿。干净的锚点，而非小时级数据。新增 EnrollmentProtocol；
3. 提取有用信号——CSI 相位、幅度、多普勒移、微动、周期性、方差、时序。复用 signal_features.rs + ruvsense 提取器，打包成带标注的 AnchorFeature 记录；
4. 把模式压缩成小 ruVector 模型——按信号特化：呼吸、心跳、睡眠躁动、姿态、在场、异常。新增 SpecialistBank，基于冻结骨干做 LoRA 头，以 RVF 存储。

决策部分给出两条统领所有设计的不变量（原文 §2 逐字继承）：

(A) 特化优于规模。 每条生物信号一个小模型，而不是一个大一统模型。每个专家更快、更省、更私密——而且因为校准到了房间的真实指纹，往往比通用模型更准。

(B) 本地优先、骨干共享。 冻结的跨房间/主体/设备不变骨干是唯一发布到 Hugging Face 的产物。逐房间基线与逐专家头除非操作者显式选择联邦（ADR-105），否则永不出设备。

3. 系统架构：一次加载的骨干，六个微头

原文档 §2.1 的架构图完整如下（保留原图）：

                       HUGGING FACE HUB (public, room-agnostic)
                       ┌───────────────────────────────────────┐
                       │  RF Foundation Encoder (ADR-150)       │
                       │  pose-preserving · subject/room/device │
                       │  -invariant · frozen · safetensors     │
                       └───────────────┬───────────────────────┘
                                       │  from_pretrained() once, cached on device
                                       ▼
  STAGE 1 baseline        STAGE 2 enroll        STAGE 3 extract         STAGE 4 train (per room_id)
  ┌──────────────┐        ┌──────────────┐      ┌────────────────┐      ┌─────────────────────────┐
  │ ADR-135      │        │ Enrollment   │      │ signal_features│      │ SpecialistBank          │
  │ Baseline-    │──fp──► │ Protocol     │─clip►│ + ruvsense     │─AF──►│  frozen backbone        │
  │ Calibration  │        │ guided       │      │ extractors     │      │   │  ┌────────────────┐  │
  │ (env finger- │        │ anchors:     │      │ → AnchorFeature│      │   ├─►│ breathing head │  │
  │  print)      │        │ stand/sit/   │      │ (phase, amp,   │      │   ├─►│ heartbeat head │  │
  │ ADR-030      │        │ lie/breathe/ │      │  doppler,      │      │   ├─►│ restless head  │  │
  │ field eigen  │        │ move/sleep   │      │  micromotion,  │      │   ├─►│ posture head   │  │
  └──────────────┘        └──────────────┘      │  periodicity,  │      │   ├─►│ presence head  │  │
        │                                        │  variance,     │      │   └─►│ anomaly head   │  │
        │  baseline drift > τ → invalidate bank  │  timing)       │      │     (LoRA / ruVector    │
        └───────────────────────────────────────┴────────────────┴──────┤      small models)      │
                                                                          └───────────┬─────────────┘
                                                                                      │ RVF container
                                                                                      ▼
                                                              RUNTIME: Mixture-of-Specialists
                                                              each head emits {value, confidence};
                                                              coherence_gate (ADR-135) + anomaly
                                                              head veto → fused RoomState

共享骨干每设备只加载一次并冻结。每个专家都是其嵌入之上的一个小头——所以新增第六个专家的边际成本是几 KB 的 LoRA 权重，而不是又一个完整模型。

需要注意实现现状：当前落地版本的专家是统计型专家（阈值/原型/自相关），而非 LoRA 头——v2/crates/wifi-densepose-calibration/src/specialist.rs 的文件头注释明确说明："ADR-151 的冻结 HF RF Foundation Encoder 骨干是计划中的升级路径：这些头届时将坐落在共享嵌入之上；这里的统计头让流水线今天就可运行、可验证。" 这一点在第 8 节"实现状态"中会完整交代。

4. Stage 2 — 引导式注册协议：8 个锚点与自适应质量门

EnrollmentProtocol 是一个 CLI 驱动的状态机，带着操作者走一遍固定的带标注锚点序列。设计规则来自用户愿景并写得很直白：要干净的锚点，不要小时级数据。每个锚点是一小段（默认 20 s @ 20 Hz = 400 帧）带标注的采集片段，叠加在已录好的基线之上。原文档 §2.2 的锚点表完整继承如下：

锚点	标注	时长	主要教会的信号	特征侧重
empty	presence=0	（复用 ADR-135 基线）	缺席参照	幅度方差下限
stand_still	posture=standing, presence=1	20 s	静态人体负载	幅度均值偏移、本征模态差
sit	posture=sitting	20 s	较低的静态负载	幅度剖面
lie_down	posture=lying	20 s	睡眠位置负载	幅度剖面、低多普勒
breathe_slow	resp≈0.1–0.15 Hz	30 s	慢呼吸	周期性、微多普勒
breathe_normal	resp≈0.2–0.3 Hz	30 s	正常呼吸	周期性、BVP 相位
small_move	motion=1	20 s	肢体微动	多普勒展宽、方差
sleep_posture	posture=lying, restless=0	30 s	安静睡眠基线	长窗方差、时序

协议是自适应的：锚点只有在其采集特征通过质量门（coherence_gate.rs 的一致性 ≥ 阈值、相对基线的足够 SNR、无饱和）时才被接受。失败的锚点会被重新提示而不是默默保留——文档的原话是"坏锚点毒化小模型的力度远超毒化大模型"。全部引导注册约 4 分钟墙钟时间，产出 8 个干净锚点。这刻意远低于从零训练所需的"小时级数据"，因为骨干已经携带世界知识，注册只需要教会这个房间的偏置。

4.1 锚点在源码中的落点

八个锚点的枚举、顺序、提示语与时长在 v2/crates/wifi-densepose-calibration/src/anchor.rs 中实现：AnchorLabel::SEQUENCE 常量数组定义了规范的注册顺序（empty → stand_still → sit → lie_down → breathe_slow → breathe_normal → small_move → sleep_posture），duration_s() 给出呼吸/睡眠锚点 30 s、其余 20 s，prompt() 提供操作者提示（如 "Stand still, in view of the sensor…"）。JSON 序列化固定为 snake_case 且与 as_str() 一致——label_serde_is_snake_case_matching_as_str 测试把这个线格式约定钉死为持久化契约。

会话是事件溯源的（EnrollmentSession，符合 CLAUDE.md 的状态规则）：events 是追加式日志，事件包括 Started、AnchorAccepted、AnchorRejected（含人类可读原因）、Completed，以及 ADR-152 引入的 GeometryRecorded（天线阵列几何记录，最新事件生效，且是向后兼容的附加变体——旧会话 JSON 可干净地回放）。accepted_anchors() 从日志派生出"每个标签以最后一次接受为准"的锚点集合，next_anchor() / progress() / is_complete() / missing() 让重新注册天然增量且可审计：重跑只会补缺失的锚点。

4.2 质量门的真实阈值：AnchorQualityGate

质量门在 v2/crates/wifi-densepose-calibration/src/enrollment.rs 中落地为 AnchorQualityGate，其默认值与判定逻辑值得逐条看：

impl Default for AnchorQualityGate {
    fn default() -> Self {
        Self {
            min_presence_z: 1.5,   // 人均在场的最小平均幅度 z 分数
            empty_max_z: 1.0,      // empty 锚点：房间"真空"的最大平均 z
            max_still_motion: 0.6, // "静"锚点可容忍的最大运动帧占比
            min_move_motion: 0.3,  // "动"锚点所需的最低运动帧占比
            min_frames: 60,        // 评估一个锚点所需的最少帧数
        }
    }
}

evaluate() 按标签分支：要求在场的锚点若 presence_z < 1.5 会以 "no person detected … move closer / face the sensor" 拒绝；静锚若运动率 > 0.6 以 "too much motion … hold still" 拒绝；small_move 若运动率 < 0.3 以 "not enough motion — move a bit more" 拒绝；empty 锚点若 presence_z > 1.0 以 "room not empty … clear the room" 拒绝；帧数不足 60 直接报 "only N frames (need ≥60); is the ESP32 streaming?"。每个拒绝原因都会回传给操作者并重试，这正是文档 CLI 示例中 [✗ low SNR, retrying] 提示的来源。

一个关键的实现细节（ADR-152 发现，"z-band squeeze"）：运动不是取自基线偏离分的 motion_flagged。该标志在 amplitude_z_median > 2.0 时触发，衡量的是相对空房间基线的偏离强度，与"是否在动"混淆——一个反射很强的静立者（每帧 z > 2）会被误判为"运动过多"而拒绝。修正后的 AnchorRecorder 从偏离序列的逐帧变化推导运动：|Δz| > Z_DELTA_MOTION（常量 0.5）或 |Δφ| > PHASE_DELTA_MOTION（π/6）才计一帧运动。该构造天然与在场强度无关：静止的强反射者 z 水平高但序列平坦；移动的人序列抖动。测试 still_anchor_with_strong_still_person_accepts 与 phase_delta_also_counts_as_motion 分别钉死了这两条路径。

5. Stage 3 — 特征提取：从锚点片段到带标注记录

每个被接受的锚点片段跑过既有提取器栈，按 ADR-135 做基线减除，然后打包成 AnchorFeature 记录。原文强调这一阶段是桥接，不是新算法（"No new DSP is invented"）。原文档 §2.3 的特征分组表完整继承：

特征组	来源模块	供哪些专家使用
CSI 幅度均值/方差	ADR-135 基线减除 + signal_features.rs	presence, posture
CSI 相位（净化后、LO 对齐）	phase_sanitizer → phase_align	posture, heartbeat
多普勒移/微多普勒	ruvsense/bvp.rs、breathing 路径	breathing, small-move
微动/意图前导	ruvsense/intention.rs	restlessness, anomaly
周期性/谱峰	bvp.rs 自相关 + FFT	breathing, heartbeat
长窗方差/漂移	ruvsense/longitudinal.rs（Welford）	restlessness, presence
时序/帧间历元	c6_timesync epoch、帧 Δt	全部（节律对齐）
场本征模态系数	ADR-030 field_model.rs	posture, presence

5.1 实际的 Features 向量与自动相关周期搜索

当前实现中，桥接层把每帧标量序列（基线减除后的 CSI 导出的每帧标量）压缩成一个紧凑的 Features 结构（v2/crates/wifi-densepose-calibration/src/extract.rs）：

pub struct Features {
    pub mean: f32,             // 序列均值（在场/静态负载）
    pub variance: f32,         // 序列方差（运动/占用能量）
    pub motion: f32,           // 平均绝对一阶差分（即时运动代理）
    pub breathing_score: f32,  // 呼吸频带的周期性得分 [0,1]
    pub breathing_hz: f32,     // 主导呼吸频率 (Hz)，无则 0
    pub heart_score: f32,      // 心率频带的周期性得分 [0,1]
    pub heart_hz: f32,         // 主导心率频率 (Hz)，无则 0
}

周期性的估计用频带限定的自相关（autocorr_dominant），与固件心率估计器（issue #987）用的是同一技术：呼吸带取 [0.1, 0.6] Hz，心率带取 [0.8, 3.0] Hz，返回带内最优峰值频率与归一化到 [0,1] 的峰得分。实现里有两处防泄漏的精细约束：

1. 内部局部极大值约束（ADR-152 发现，"heart-band leakage"）：胜出滞回必须是带内自相关的内部局部极大值，而不是带边缘值。带外强节律（呼吸泄漏进心率带）会形成单调斜坡，其带内最大值落在滞回下限——会把 heart_hz 钉在带顶并给出高得分。真正的带内周期在带内部达峰；边缘极大是泄漏，予以拒绝。测试 heart_band_rejects_breathing_leakage 用纯正弦 0.30 Hz 呼吸信号验证：心率带得分必须 < 0.25，而呼吸带本身仍要以 0.30 Hz 命中。
2. 嵌入门控（EMBED_MIN_SCORE = 0.25）：供最近邻原型分类器使用的 5 维嵌入 [mean, variance, motion, breathing_hz, heart_hz] 中，两个 hz 分量只有在其周期性得分越过 0.25 才进入嵌入；否则置 0。原因是噪声窗口的带内峰值是随机频率，放进嵌入会让姿态/异常的原型距离变噪。原始的 breathing_hz/heart_hz 字段保持未门控——呼吸/心跳专家各自施加更严的 min_score 门。embedding_gates_hz_on_score 测试同时验证了"低分被门掉"与"高分原样通过"。

NaN 的 fail-closed 契约：Features::from_series 在任何统计量计算之前丢弃非有限样本（NaN/±inf）——一个损坏的 CSI 帧被计为"没有帧"，而不是传播 NaN 的帧；全非有限序列退化为全零的 Features::ZERO，与空序列同义。这不是防御性的摆设，而是修复过一个真实故障类别（见第 8 节）。回归测试 non_finite_samples_do_not_poison_features 还做了更强的等值断言：丢弃非有限样本后的结果必须与只喂有限样本的结果完全相等，以此证明"过滤"而非仅仅"有限"。

AnchorFeature 记录即 { room_id, label, features }——原文档 §2.3 设计的 { room_id, anchor_label, t_epoch_us, embedding: [f32; D], aux: {...} } 的当前实现形态：共享骨干嵌入字段是 P6 升级位（见后），aux 中的廉价手工特征（方差、运动、周期性得分、心率/呼吸频率）正是让小头特化而无需重学 DSP 的部分。

6. Stage 4 — 专家库：六个小模型按 room_id 版本化

SpecialistBank 是绑定到一个 room_id 的、版本化的小模型集合。原文档 §2.4 的专家表完整继承如下（"Params" 列为 ADR 对 LoRA/RVF 形态的设计值）：

专家	模型类型	参数量（典型）	标注来源	输出
breathing	1-D 时间头 + 周期性回归器	~8 KB LoRA + aux	breathe_slow/breathe_normal	呼吸率 (Hz) + 置信度
heartbeat	窄带相位头（谐波感知）	~12 KB	安静锚点 + 周期性	HR (bpm) + 置信度
sleep restlessness	方差/漂移分类器	~4 KB	sleep_posture vs small_move	躁动得分 [0,1]
posture	k 路原型分类器（HNSW NN）	仅原型	stand/sit/lie 锚点	姿态类 + margin
presence	二值能量/本征模态门	~2 KB	empty vs 有人锚点	在场概率
anomaly	单类/物理不可能检测器（adversarial.rs）	~6 KB	基线 + 全部锚点（新颖性）	异常得分 + 否决标志

由不变量 (A) 推出的设计性质：

• 独立版本化、可替换。 重注册呼吸不会重训姿态。每个专家携带自己的 {trained_at, anchor_set_hash, baseline_hash, backbone_rev}。
• 分类器用 HNSW 原型存储。 姿态与在场是 RVF 索引中的最近原型查找——无推理引擎、微秒级延迟，新增姿态靠插入原型而非重训。
• SONA 在线适配。 每个专家可携带一个 SONA/MicroLoRA 在线适配槽，以在全量重注册之间跟踪慢漂移（家具移动、季节性 RF 变化），由 ADR-135 基线漂移门控。
• 教师-学生蒸馏（可选、离线）。 在存在标注公开语料（MM-Fi、Wi-Pose）处，ADR-150 骨干作为教师，在逐房间微调前对头做预塑形，改善冷启动。教师是全局/HF 的；学生头是本地的。

6.1 六个专家在 specialist.rs 中的实现细节

v2/crates/wifi-densepose-calibration/src/specialist.rs 把上表落地为六个类型，各自的关键参数已去魔法为命名常量（见第 8 节）：

呼吸 / 心跳（无状态、频带周期性读取）：BreathingSpecialist 与 HeartbeatSpecialist 各自只有一个 min_score 字段。推理时若周期性得分低于门限或频率为 0 则返回 None（不报告）；否则输出 value = hz × 60（BPM），confidence 即周期性得分。默认门限：DEFAULT_BREATHING_MIN_SCORE = 0.25；DEFAULT_HEARTBEAT_MIN_SCORE = 0.30——心率门限更高是有文档依据的：亚毫米级胸部位移在 HR 频带逼近 CSI 噪声底（ADR-151 §3.2 风险条），心跳头要求更干净的峰才报告。测试 default_min_score_constants_match_prior_literals 钉死了边界语义：得分恰好等于门限时报告，低 1e-3 则不报告。

在场（双通道门）：PresenceSpecialist::train 从 empty 锚点与所有有人锚点拟合。它同时维护两条互补通道（ADR-152 发现 "variance-only presence"）：

• 方差通道——运动/占用能量；能抓住移动的人，但对静止不动的人失明（静立者抬升标量均值——额外多径能量——却几乎不抬方差）；
• 均值偏移通道——|mean − empty_mean|；抓住方差通道漏掉的静立者。取绝对值是因为人体也可能遮蔽路径从而压低均值。

训练时方差通道阈值取"空房间方差与有人平均方差的中点"，但有一个守卫（issue #1440）：只有当有人方差真正超过空房间方差 VARIANCE_SEPARATION_MARGIN（0.05，即 5%）以上时通道才启用，否则阈值设为 +∞（通道失活）。否则中点阈值可能落在空房间基线之下，让真·空房间每帧都读"在场"——比没有信号更糟。测试 presence_inverted_variance_never_reports_empty_room_as_present 与 presence_detects_motionless_person_via_mean_shift 分别覆盖这两种回归。旧版 JSON（无均值通道字段）通过 serde(default) 反序列化为失活通道，行为保持兼容（presence_old_bank_json_stays_variance_only）。

姿态（最近原型分类器）：PostureSpecialist 从建立姿态的锚点（stand/sit/lie/sleep）收集 (Posture, [f32; 5]) 原型；推理取最近原型的姿态类，置信度由最近与次近原型的距离 margin 归一化得出：(second − best) / (second + best)。

睡眠躁动：RestlessnessSpecialist 把当前帧的 motion 在"平静"（sleep_posture，缺失时退到 lie_down）与"活跃"（small_move）两个锚点之间线性归一化到 [0,1]。训练要求 active > calm，否则拒绝成模型（返回 None，库保持部分可用）。

异常（新颖性检测）：AnomalySpecialist 收集所有锚点嵌入为分布内流形，尺度取原型间平均最近邻距离（欧氏）。推理时取到流形的最近距离 best，得分 = best / (ANOMALY_OUTLIER_SPREADS × scale) 并截断到 [0,1]，其中 ANOMALY_OUTLIER_SPREADS = 2.0 表示"超出典型散布 2 个尺度"即完全分布外；ANOMALY_LABEL_CUTOFF = 0.5 区分 "anomalous"/"normal" 的人类可读标签。训练要求至少 2 个锚点。

6.2 库的版本化与失效契约

v2/crates/wifi-densepose-calibration/src/bank.rs 中的 SpecialistBank 字段结构直接体现了失效契约：

pub struct SpecialistBank {
    pub room_id: String,          // 房间作用域
    pub baseline_id: String,      // 训练时所针对的 ADR-135 基线 id（漂移 → STALE）
    pub trained_at_unix_s: i64,  // 训练时间
    pub anchor_count: usize,     // 使用的锚点数
    pub geometry: Vec<NodeGeometry>, // ADR-152 天线几何快照（serde default, 空则不序列化）
    pub presence: Option<PresenceSpecialist>,
    pub posture: Option<PostureSpecialist>,
    pub breathing: BreathingSpecialist,   // 无状态，恒在
    pub heartbeat: HeartbeatSpecialist,   // 无状态，恒在
    pub restlessness: Option<RestlessnessSpecialist>,
    pub anomaly: Option<AnomalySpecialist>,
}

SpecialistBank::train 要求至少 1 个锚点（空锚点报 InsufficientSamples），各专家按"前置锚点缺失则留 None"的原则独立拟合——部分库仍然可用，能拟合的信号照常工作（例如仅有静态锚点时 presence + posture 即可运行，这正是文档 §3.2 风险缓解中"ship sane defaults so a partial bank works"）。is_stale(current_baseline_id) 的比较就是文档所述的失效实现：

如实现的（As implemented），运行时只要当前基线 id 与训练时不同就标记库为 STALE——这是一个保守触发器，能抓住重校准（房间重摆、AP 移动、频带变更），因为这些动作中任何一个都会产生新基线。更细的漂移阈值触发器（在 ADR-135 每子载波偏离超过 τ 但未整体重做基线时即标 STALE）是计划中的 P6 细化。无论如何，运行时会提示重新注册，而不是从失效模型静默地吐错误数字——这是 #954 DEGRADED 诚实规则的校准对应物：绝不从失效模型报告高置信数字。

check_fresh 把 STALE 变成 CalibrationError::StaleBaseline { trained, current } 错误；持久化走 to_json/from_json（serde 形状校验，畸形 → CalibrationError::Serde）。ADR-152 的几何字段遵循同一"附加字段 + serde default"的向后兼容模式：无几何的旧库 JSON 干净加载为空快照，且无几何的库序列化时不输出该字段。

7. 运行时：置信度门控的专家混合

推理时冻结骨干对每个 CSI 窗口嵌入一次；每个专家消费同一共享嵌入并输出 {value, confidence}。v2/crates/wifi-densepose-calibration/src/runtime.rs 中 MixtureOfSpecialists::infer 的融合规则与原文档 §2.5 一一对应：

// 异常先跑——它可以否决一切
state.anomaly = self.bank.anomaly.as_ref().and_then(|a| a.infer(f));
let vetoed = state.anomaly.as_ref()
    .map(|r| r.value >= self.veto_threshold)   // 默认 0.5
    .unwrap_or(false);

// 在场门
state.presence = self.bank.presence.as_ref().and_then(|p| p.infer(f));
let present = state.presence.as_ref().map(|r| r.value > 0.5).unwrap_or(true);
// 无在场专家 → 假定有人，让生命体征照常跑

state.restlessness = ...; // 无论在场与否都报告（运动隐含在场）

if present && !vetoed {
    state.posture   = ...; // 姿态
    state.breathing = ...; // 呼吸 (BPM)
    state.heartbeat = ...; // 心跳 (BPM)
}

三条规则：

1. 异常专家持否决权：高异常得分（adversarial.rs 意义上的物理不可能信号）压制正向生命体征/姿态输出并置 vetoed 标志，而不是传播一个幻觉读数；
2. presence=0 短路呼吸/心跳/姿态为 None（空房间里不可能有呼吸率）；
3. STALE 标记：RoomState.stale 在库训练基线与当前基线不符时置位，所有读数随之不可信。

此外每条输出都携带专家置信度与 baseline_hash/backbone_rev 溯源（ADR 设计），使下游消费者（sensing-server、MQTT、Home Assistant）能按质量门控——与 ADR-135 一致性门语义一致。测试套件覆盖四条主路径：空房间抑制生命体征、有人房间报告呼吸、异常否决、STALE 库标记（empty_room_suppresses_vitals / present_room_reports_breathing / anomaly_vetoes_vitals / stale_bank_flagged）。

8. 操作员 CLI：从 calibrate 到 room-watch

原文档 §2.7 的 CLI 流程完整继承如下：

# Stage 1 — 环境指纹（ADR-135，既有）
wifi-densepose calibrate --room living-room --duration 60s     # 空房间

# Stage 2+3 — 引导注册（新增）；提示走 8 个锚点，约 4 分钟
wifi-densepose enroll --room living-room
#   → "Stand still in view of the sensor…"  [✓ anchor accepted: coherence 0.91]
#   → "Sit down…"                            [✗ low SNR, retrying]
#   ...

# Stage 4 — 训练专家库（新增）；复用已缓存的 HF 骨干
wifi-densepose train-room --room living-room \
    --specialists breathing,heartbeat,restlessness,posture,presence,anomaly

# 状态/失效
wifi-densepose room-status --room living-room
#   baseline: fresh (drift 0.04 < 0.20) · backbone: rf-foundation@1.2.0
#   breathing  ✓ trained 2026-06-09  conf p50 0.88
#   heartbeat  ✓ trained 2026-06-09  conf p50 0.71
#   posture    ✓ 3 prototypes (stand/sit/lie)
#   anomaly    ✓  · presence ✓  · restlessness ✓

这些子命令实现在 v2/crates/wifi-densepose-cli/src/room.rs（enroll / train-room / room-status / room-watch），针对活的 ESP32 CSI 流工作（需要 edge_tier=0 的原始 CSI）。enroll 的实际参数面比 ADR 示例更完整：

参数	默认值	说明
--udp-port	5005	ESP32 CSI 帧的 UDP 端口（原始 CSI，用 --edge-tier 0 配置）
--bind	0.0.0.0	UDP 绑定地址
--baseline	./baseline.bin	calibrate 产出的空房间基线
--tier	ht20	PHY 层（ht20 / ht40 / he20 / he40）
--room-id	default	房间标签
--output	./enrollment.json	注册产物（带标注特征 + 审计日志）
--fs-hz	15.0	周期性提取所用的 CSI 采样率
--attempts	2	每个锚点失败重试上限（自适应重提示）

采集循环本身值得注意：CLI 对每个锚点先做 3 秒倒计时提示，然后按 label.duration_s() 采满窗口；每帧取全子载波/全流的平均幅度作为标量（frame_scalar），其注释说明了实测依据——在 ESP32 上验证过，平均幅度能拾取呼吸调制，而"最大方差子载波"反而锁定在运动伪影上；相位载波（在稳定子载波上）是文档 §4 列出的高 SNR 后续改进项。enroll 的持久化结构 EnrollmentData 同时包含 anchors: Vec<AnchorFeature> 与完整 session: EnrollmentSession（审计日志），train-room 从该文件读入后调用 SpecialistBank::train。

9. 实现状态与验证边界：如实的"已证明什么"

ADR §4 的阶段表完整继承如下：

阶段	范围	出口标准	状态
P1	脚手架 wifi-densepose-calibration crate；AnchorFeature schema；（骨干经 hf_hub 推迟）	Crate + schema；单元测试	✅ 完成（crate + Stage-1 基线经 calibrate/calibrate-serve；HF 骨干推迟）
P2	EnrollmentProtocol + anchor.rs（事件溯源会话）+ 带质量门的 CLI enroll	8 锚点注册；坏锚点重提示	✅ 完成（anchor.rs、enrollment.rs、CLI enroll）
P3	extract.rs 桥接 → 带标注记录；基线减除（ADR-135）	AnchorFeature 记录按 room_id 持久化	✅ 完成（extract.rs；自相关周期性 + 方差/运动）
P4	SpecialistBank + presence/posture（原型）+ breathing（周期性）；持久化 + 版本化	train-room 产库；room-status 读回	✅ 完成（specialist.rs、bank.rs、CLI train-room/room-status；JSON 持久化——RVF/HNSW 留待后续）
P5	heartbeat + restlessness + anomaly 专家；runtime.rs 混合 + 否决 + 置信门控	硬件端到端 RoomState；异常否决验证	✅ 完成（runtime.rs、CLI room-watch；COM8 上的 ESP32 实测呼吸读数）
P6	基线漂移 STALE 失效；SONA 在线适配；可选 ADR-105 联邦；HF 教师-学生蒸馏	漂移标 STALE；AetherArena 入口	◐ 部分（STALE 已完成；SONA/联邦/HF 骨干 = 后续）

当前状态（ADR 记录的 2026-06-10 节点）精确表述为：Stages 1–5 以统计专家（阈值/原型/自相关）实现。55 个测试（35 单元含多静态 + 1 全环集成 + 19 CLI）在 qemu-aarch64 下全部通过。验证范围被刻意说清：

• 基线采集 + HTTP API + 鉴权在真实 CSI 上证明（Pi-5 nexmon，6,813 帧；以及 ESP32-S3）；
• 完整的 baseline → enroll → train-room → infer 循环在进程内于确定性合成 CSI 上证明——v2/crates/wifi-densepose-calibration/tests/full_loop.rs：干净基线零运动标志、8/8 锚点过质量门、训练 6 个专家、JSON 库往返、已训库推理 18±2 BPM 正 / 缺席负 / 外来基线 STALE、种子稳健；
• 唯一的活运行时信号（呼吸约 16–31 BPM，经 room-watch）用的是无状态呼吸头，而非已训库；干净的"空房间循环"尚未在目标硬件上跑通——剩余差距严格限于硬件会话（空房间 + 操作者锚点）。

验证纪律按 CLAUDE.md：cargo test --workspace --no-default-features 全绿；任何发布前在 ESP32-S3（当时 COM8）上做硬件验证；证明面变化时重新生成 witness bundle。

10. 正确性/安全评审发现：一次 NaN 投毒修复

ADR §6.1（2026-06-14 的 Beyond-SOTA 正确性+安全评审）记录了本 crate 一次真实的数值失效及其修复，值得作为"小模型的诚实性"案例完整阅读：

发现（已修复）——特征路径的 NaN 投毒（数值/fail-closed）。Features::from_series 既是活推理、也是训练锚点提取的载体，原先对原始标量序列计算 mean/variance/motion 时无非有限守卫。单个 NaN/±inf 样本（损坏 CSI 帧）即产出 mean=NaN, variance=NaN 与全 NaN 原型嵌入；一旦在训练时写进 PresenceSpecialist::threshold/empty_mean，NaN 就静默禁用在场检测直到该库寿命结束（对 NaN 的每个 >/|·| 比较都为 false → 永远读"缺席"、置信度 0），且无任何报错——还与严格做 NaN 防护的 geometry_embedding 形成不对称。修复落在生产边界：非有限样本被丢弃（坏帧计为没有帧），全非有限序列退化为 Features::ZERO；全有限输入下逐值相同（full-loop 与 extract 测试不变）；由 non_finite_samples_do_not_poison_features 与 all_non_finite_series_is_zero（两者在旧代码上都会失败）钉死。

干净维度（有证据、不虚构问题）：crate 的 src/ 内零文件/路径 I/O（无 std::fs/Path/File/read/write，只有内存态 serde_json）——路径穿越/无界读取/工件路径处理完全在 wifi-densepose-cli 消费者（room.rs）一侧，在本 crate 边界之外；SpecialistBank::from_json 经 serde 形状校验（畸形 → CalibrationError::Serde），库本地优先、从不经网络接收，在本地优先威胁模型下可接受；crate 不发出任何哈希/回执/witness/签名，"无框架拼接"的 bug 类别在结构上不存在；geometry_embedding 净化每个输入并扫至有限；presence/restlessness/anomaly 的除法都有 .max(1e-3) 守卫；autocorr_dominant 守卫 r0、短信号与空带；train 拒绝空锚点；anomaly 要求 ≥2 锚点。

同次评审还把所有裸专家阈值字面量去魔法为命名文档化常量（呼吸/心跳默认 min-score、异常离群散布倍数 + 标签截断）——即第 6 节列出的 DEFAULT_BREATHING_MIN_SCORE 等——逐值不变，由常量相等测试钉死。评审后测试 58→62 单元 + 1 集成，0 失败，Python 确定性证明（不在信号证明路径上）不变。

11. 风险、被拒替代方案与小结

ADR §3 的风险与替代评估原文继承如下。

负面/风险（§3.2）：

• 骨干依赖。 每个专家都骑在 ADR-150 编码器上；其质量与修订兼容性（backbone_rev）是单点杠杆。缓解：每个专家钉住 backbone_rev；蒸馏冷启动降低敏感度。
• 注册负担。 4 分钟虽小但非零，锚点质量取决于操作者跟随提示。缓解：自适应重提示 + 质量门；提供合理默认，使部分库（presence+posture）在只有静态锚点后就能工作。
• 心跳很难。 HR 频带的亚毫米胸部位移逼近 ESP32-S3 噪声底；心跳专家的置信度会比呼吸更低、更波动。置信门控的运行时如实呈现这一点，而非假装。
• 逐房间存储增殖。 每房间每人一个库；需要清晰的 RVF 生命周期（列出/修剪/导出）——由 bank.rs 版本化与 room-status CLI 处理。

被拒替代（§3.3）：

替代	结论	理由
一个大通用模型管所有信号	拒绝	ADR-150 证据：规模过拟合房间/主体，跨域崩塌；且更慢、更贵、更不私密。直接违背不变量 (A)。
云训练逐房间模型	拒绝	违背不变量 (B)：会把某人家庭/睡眠的原始 CSI 送上服务器。本地优先就是隐私承诺。联邦（ADR-105）是可选的共享改进路径，交换梯度/增量，永不交换原始 CSI。
跳过骨干；每个专家从零训练	拒绝	重新引入用户愿景明确拒绝的"小时级数据"要求，并丢失跨房间先验。
并入 ADR-135	拒绝	ADR-135 是房间校准（无人）。本 ADR 是在其之上的人体锚点注册 + 模型训练。生命周期不同、失效机制不同；保持为独立限界上下文。

小结（ADR §5 原句）：

大模型理解世界。小 ruVector 模型理解你的房间。

ADR-151 把这句话工程化：一条本地优先的 baseline → enroll → extract → train 流水线，把约 4 分钟的干净人体锚点——叠加在 ADR-135 的空房间指纹与 ADR-150 的 Hugging Face 发布不变骨干之上——变成一个版本化的、微小的、特化的、隐私保全的模型库，覆盖呼吸、心跳、躁动、姿态、在场与异常。特化优于规模；本地头加共享基座；诚实的 STALE 退化优于自信的错误。 从源码结构看，这套系统的骨架（v2/crates/wifi-densepose-calibration/ 的 11 个源文件 + full_loop 集成测试）与 CLI 操作面（v2/crates/wifi-densepose-cli/src/room.rs）已完整落地为统计型专家；LoRA 头、RVF/HNSW 存储、SONA 在线适配与冻结 HF 骨干的蒸馏是文档中明确标注的 P6 后续工作——这也是当前仓库状态下复现该系统时应预期的边界。