RuView ADR-113 多静态天线布放决策矩阵：把 9 个 R6 研究 Tick 收敛为一套可部署的部署规格

2026-09-09 15:17:35作者：裘旻烁

π 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

本篇以 RuView 的 SOTA 研究循环记录 tick-31 为主体，完整解析其核心产出——ADR-113 多静态（multistatic）锚点布放策略。读完本文，你将掌握 RuView 多静态 CSI 感知的“4 轴决策矩阵”（维度 × 区域模式 × 人数 × 认知功能 cog）、7 条绑定布放规则、每个 cog 的自动配置参数，以及底层 Fresnel 菲涅尔搜索参考实现与可复现的基准数据位置。

背景：布放问题为什么必须量化

ADR-029（RuvSense 多静态感知模式）引入了多锚点 CSI 感知，但没有回答三个关键工程问题：需要多少个锚点、锚点放在哪里、布放方案如何随目标 cog（presence、person-count、pose、vital-signs 等）变化。2026-05-22 的 SOTA 研究循环在 R6 家族中产出了 9 个连续 tick 的物理推导与 NumPy 仿真，逐轴回答了这些问题：

R6 / R6.1：Fresnel 正向模型（单散射体 + 多散射体）
R6.2：2D 单对天线布放搜索——实测最优布放比随机中位数好 93 倍
R6.2.1：3D 布放——天花板单点安装彻底失效（0% 覆盖）
R6.2.2：2D N 锚点饱和曲线，拐点在 N=5
R6.2.2.1：3D N 锚点——2D 的拐点在 3D 中不成立
R6.2.3：胸部中心（chest-centric）区域——对 vital-signs 有 +27 pp 覆盖增益
R6.2.4：3D + 胸部组合——拐点在 N=6，且不需要天花板锚点
R6.2.5：多目标并集——N=5 在 1-4 人时达到 100% 覆盖

ADR-113 把上述 9 个 tick 收敛为一份按 维度 × 区域模式 × 人数 × cog 参数化的布放规格。tick-31 的结论是：这是该研究循环中“最具落地整合价值（most ship-relevant integrative）”的产出，因为它把物理学家才能解读的 9 份仿真报告压缩成非物理背景的安装工程师可以直接查表的矩阵。

4 轴决策矩阵：布放问题的完整答案

ADR-113 的绑定决策矩阵如下（完整继承自 tick-31 与 ADR-113）：

Cog	维度	区域模式	人数	推荐 N	锚点高度	预期覆盖
Presence（在场）	2D	body	1	3	墙面 0.8 m	63%
Person count（人数统计）	2D	body	1-4	4	墙面混合高度	86%
Pose（姿态估计）	2D	body	1-2	5	墙面 0.8/1.5 m 混合	97%
Vital signs（生命体征）	2D	chest	1-4	5	墙面 0.8/1.5 m	100%
Pose（姿态估计）	3D	body	1-2	7-8	混合 0.8/1.5/2.4 m	65%+
Vital signs（3D）	3D	chest	1-4	6	墙面 0.8/1.5 m，不用天花板	82%
船舱（maritime cabin）	2D	chest	1-3	4	低处（0.5-0.8 m）	80%+
野生动物（wildlife）	1D	linear	1-5	4	树装混合高度	70%+

矩阵背后的物理直觉来自 R6.2 的基准实验（详见 R6_2 研究文档）：2.4 GHz 下波长 λ = 12.5 cm，第一菲涅尔区在 2D 中是一个椭圆，半短轴约 b ≈ √(d·λ)/2。5 m 链路的中点处包络宽约 39.5 cm，而对角穿过房间的 6.1 m 链路则有 43.7 cm——链路越长，菲涅尔包络越宽，覆盖的空间越多（在链路预算允许范围内）。R6.2 在 5×5 m 卧室中评估了 2,900 个天线对，最优布放（对角贯穿床区与椅区）总覆盖 51.1%，而随机中位数只有 0.5%，最差 0.0%——这就是 ADR-113 拒绝“ADR-029 对布放保持沉默”这一替代方案的原因：沉默等价于 93 倍的隐式覆盖损失。

七条绑定规则

从 R6 家族提炼出的 7 条规则是矩阵每一行的依据，安装与调优时应逐条对照：

天花板单点安装必然失败（R6.2.1）：当天线都位于天花板高度时，菲涅尔包络也悬在天花板高度，永远够不到地面层的目标区域。必须至少包含一个低高度锚点。
3D 中垂直链路多样性获胜（R6.2.1）：不同高度的对角链路（如 0.8 m → 1.5 m）会让椭球体倾斜穿过多个高度层。
锚点高度应与目标区域高度匹配（R6.2.4）：z=0.3-1.5 m 的胸部区域不会从 z=2.4 m 的天花板锚点受益；全身体覆盖则需要。
生命体征场景下胸部中心优于全身体（R6.2.3）：更小、针对人体的区域在 N=5 时带来 +27 pp 覆盖增益。
多目标并集才是家庭场景的正确目标（R6.2.5）：单目标优化扩展到 4 人时损失 29 pp；多目标联合优化保持 100%。
N=5 是消费级推荐值（R6.2.2 + R6.2.5）：2D 胸部中心多目标的饱和拐点，超过 N=5 后边际增益不足 1 pp。
目标区域不要放在视距（LOS）连线上（R6.1）：对 LOS 上的散射体，路径差随偏移量是二阶小量，呼吸运动几乎不改变路径长度；真实安装要求目标主体偏离 LOS。

参考实现：贪心 + 重启搜索的覆盖率计算

矩阵中的每个数值都由纯 NumPy 参考脚本生成，位于 examples/research-sota/02-placement/，共 7 个脚本逐一回答布放问题的一个轴：

脚本	研究轴	关键结论
`r6_2_antenna_placement.py`	2D 单对	最优比随机中位数好 93×，对角贯穿最优
`r6_2_1_3d_placement.py`	3D 单对	天花板单点安装 0% 覆盖
`r6_2_2_multistatic_placement.py`	2D N 锚点	N=5 拐点（96.8% body 区域覆盖）
`r6_2_2_1_3d_multistatic.py`	3D N 锚点	2D 拐点在 3D 消失（N=5 仅 49%）
`r6_2_3_chest_centric.py`	2D 胸部中心	+27 pp 覆盖增益（vital-signs cog）
`r6_2_4_3d_chest_multistatic.py`	3D 胸部中心	N=5 恢复 77%，N=6 达 82%
`r6_2_5_multi_subject.py`	多目标并集	N=5 对 1-4 人达成 100% 覆盖

以 r6_2_2_multistatic_placement.py 为例，其核心算法结构是：

覆盖判据：点 (x, y) 在第一菲涅尔区内当且仅当 |Tx-x| + |x-Rx| ≤ d + λ/2（in_first_fresnel，源码第 35-40 行）；N 个锚点产生 C(N,2) 条成对链路，任一条覆盖即计为覆盖（union_coverage）。
搜索策略：由于完整组合搜索 O(M^N) 不可行（墙周 25 cm 步长下候选点约 100 个），采用贪心——每步加入使边际覆盖最大的候选锚点——并以 K 次随机初始对重启来逃离局部极小值（greedy_search，默认 4-8 次重启）。
候选点集：仅沿四面墙周边枚举（candidate_positions），对应墙装天线的实际安装约束。

R6_2_2 的结果文件记录了 5×5 m 房间、2.4 GHz、bed/chair/desk 三个目标区下的完整饱和曲线：N=2 覆盖 35.7% → N=3 达 63.4% → N=4 达 86.2% → N=5 达 96.8% → N=6 起 100%。边际增益序列（+27.6 pp、+22.8 pp、+10.6 pp、+3.2 pp、+0）直接印证了规则 6 中“拐点在 N=5”的判断。同样的分析模式贯穿整个 R6.2 家族——每份 *_results.json 都包含锚点坐标、覆盖率和边际增益，可直接复现矩阵中任一数值。

多目标并集：家庭场景的 100% 覆盖

R6.2.5 研究文档把单个胸部位置推广为多个预期占位区域的并集，结果是整个矩阵中最“可出货”的一行：

场景	区域数	总面积	N=5 覆盖
1 人（椅）	1	0.16 m²	100%
2 人（椅 + 床）	2	0.40 m²	100%
3 人（椅 + 床 + 桌）	3	0.48 m²	100%
4 人（+ 第二把椅）	4	0.64 m²	100%

对照实验还证明 CLI 必须支持多个 --target 参数并对并集优化，而不是选一个代表区域碰运气：单目标优化放到 4 区域目标上只有 70.6% 覆盖，多目标联合优化则保持 100%（+29.4 pp）。几何原因也直观：40×40 cm 的胸部区域可以塞进单个约 40 cm 宽的菲涅尔椭球体内，N=4 锚点产生的 6 条成对链路就足以无浪费地覆盖 4 个不相交的小区域。

Per-cog 自动配置

产品化的关键是用一个 --cog 标志吸收“该查矩阵哪一行”的复杂度。各 cog 到矩阵行的映射（完整继承自 tick-31 与 ADR-113）：

Cog	区域模式	N
cog-presence	body	3
cog-person-count	body	4
cog-pose-estimation	body	5/7（2D/3D）
cog-vital-signs	chest	5/6（2D/3D）
cog-breathing	chest	5/6
cog-heart-rate	chest	5/6
cog-intruder	body	5
cog-maritime-watch	chest	4
cog-wildlife	linear	4

注意 vital-signs 家族（cog-vital-signs / cog-breathing / cog-heart-rate）统一走胸部中心模式，而 3D 姿态估计（body）需要 7-8 个锚点且覆盖只有 65%+——ADR-113 明确承认 3D body-centric 目前没有架构级解法，胸部中心只是 vital-signs 的绕行方案，3D 姿态估计可能需要另外的方法。

CLI 与 MCP 产品化接口

tick-31 给出的产品化表面包括 CLI 子命令和 MCP 工具两层：

wifi-densepose plan-antennas
    --room W H [Z]                        # 2D 或 3D
    --target NAME X Y W H [DX DY DZ]      # 可重复
    --target-mode {body, chest}           # R6.2.3
    --freq-ghz F                          # 2.4, 5.0, 6.0
    --n-anchors N                         # 省略时自动饱和
    --restarts K                          # 默认 4
    --cog COG_NAME                        # 自动选定 target-mode 与 N

R6.2.5 给出的一个可复制的 4 人家庭示例（5×5 m 房间、2.4 GHz）：

wifi-densepose plan-antennas \
    --room 5 5 \
    --target chair_chest 3.7 3.7 0.4 0.4 \
    --target bed_chest   2.2 0.8 0.6 0.4 \
    --target desk_chest  0.5 2.7 0.4 0.2 \
    --target chair2_chest 1.0 4.2 0.4 0.4 \
    --freq-ghz 2.4

AI Agent 侧则通过 MCP 工具暴露（对应 ADR-104 的 CLI/MCP 分发面）：

ruview_placement_recommend(
    room: {width, depth, ceiling?},
    targets: [{name, position, size}],
    cog: str          // 自动配置 target-mode 与 N
) -> {
    anchors: [{x, y, z, height_category}],
    expected_coverage: float,
    placement_rationale: str
}

规模预算：ADR-113 的实现计划约 260 LOC（CLI --cog 分类查找 60、MCP 工具 80、cog manifest 元数据 30、CLI 的 3D 椭球扩展 50、多目标并集 40），加上 R6.2.5 参考实现之上的约 100 LOC 产品化，布放策略产品化总预算约 360 LOC。

诚实范围：矩阵当前的适用前提

tick-31 与 ADR-113 都以“Honest scope”一节明示边界，读者引用矩阵数值时必须附带这些前提：

合成物理推导：所有矩阵数值来自 NumPy 仿真而非实测，真实部署可能偏移 ±5-15%；基准验证（bench validation）在记录时仍待完成；
单一房间几何基线：仅 5×5 m 卧室 + 4×6 m 客厅级几何；走廊、大客厅、厂房等需要单独基准；
5 cm 姿态跟踪噪声假设（R12.1）：姿态跟踪退化可能使部分推荐失效；
自由空间传播：未建模多径，真实房间通常还叠加 5-15% 的多径覆盖增益；
无家具遮挡：沙发、墙体、衣柜均被忽略；
贪心 + 4 重启搜索：全局最优可能比报告值高 1-2 pp；
未覆盖：生产硬件验证、时变/移动锚点（如扫地机载）、跨房间布放、分频段矩阵（当前全部行基于 2.4 GHz，5 GHz / 6 GHz 的包络宽度不同，最优解可能移动）。

与研究线程和 ADR 链的组合关系

tick-31 记录的是整个 SOTA 循环的收尾节点，其组合关系值得索引：

R7 mincut：所有多功能 cog 满足 N ≥ 4 的对抗性单链路欺骗防御要求——布放矩阵自动保证了这一点；
R10 / R11：wildlife 与 maritime 条目进入矩阵；
R12 PABS / R12.1：布放覆盖率 = 入侵检测灵敏度；
R14 V1/V2/V3（共情家电）：V1 照明（chest 模式 N=5）、V2 HVAC（混合）、V3 注意力（chest 模式）全部被矩阵行覆盖；
ADR-029：被直接修订（amended）——其留白的“锚点布放”规范即本矩阵；
ADR-100/103：cog 打包签名与 person-count cog 的 2D body N=4 行映射；
ADR-105/106/107（联邦学习链）：布放质量影响联邦梯度质量（更好的布放 → 更快的 ε 收敛）；
ADR-108/109（PQC 链）：保护布放推荐输出的传输安全。

至此 SOTA 循环共产出 9 份 ADR（105-109 + 113，加上循环前已发布的 100/103/104），覆盖隐私 + 联邦 + 溯源 + 布放四条主线。tick-31 同时给出循环的完整产出清单：13 条研究线程（R1、R3、R5-R15）、6 份 ADR、3 类负结果（physics-floor、architecture-error、missing-tool-revisited）、2 次显式自我修正、3 项诚实范围发现、9 tick 的 R6 布放家族、3 tick 的 R3 跨房间重识别弧线，以及 R12 结构检测弧线（负结果 → 正结果 → 闭环）。