RuView 生产路线图解析：从 SOTA 研究循环输出到可交付产品的 6 层落地规划

本篇技术指南以 RuView 仓库中 SOTA 研究循环的终端产物 docs/research/sota-2026-05-22/PRODUCTION-ROADMAP.md（及其循环收官记录 tick-35.md）为核心，系统拆解这份约 3,500 LOC、约 25 人周 的落地路线图：每条研究结论对应哪个交付物、由谁负责、依赖什么、优先级如何。读完本文，你将掌握该路线图的完整层级结构、Tier 1 四条可立即开工的交付项、以及每一层背后的源码与 ADR 依据，可直接据此安排工程排期。

一、背景：这份路线图从何而来

2026-05-22，RuView 的自主 SOTA 研究循环（SOTA research loop）连续运行约 15 小时（2026-05-21 ~21:00 UTC → 2026-05-22 12:00 UTC），由 cron 任务 d6e5c473 驱动，累计产生 41 个研究 tick + 2 个组织性 PR（见 00-summary.md）。循环产出物包括：

类别	数量	典型示例
研究线程 R1–R20	19	R1、R3、R5–R15、R16、R17、R18、R19、R20、R20.1、R20.2
异质垂直场景	8	野生动物（R10）、海事（R11）、共情家电（R14）、医疗（R16）、工业（R17）、灾害（R18）、畜牧（R19）、量子融合（R20）
循环新增 ADR	7	ADR-105 / 106 / 107 / 108 / 109 / 113 / 114
NumPy 参考实现	22 个脚本	按 9 个主题目录组织在 examples/research-sota/
生产路线图	1	PRODUCTION-ROADMAP.md（6 层、~3,500 LOC、~25 人周）
Tick 摘要	41	ticks/tick-{1..41}.md

tick-35.md 正是这条循环的终端输出（terminal output）——它把 34 份研究笔记、6 个新增 ADR、多个垂直场景草图，全部映射到带 Owner / LOC / 依赖 / 优先级的落地条目上，让一个工程团队无需重读 34 份研究笔记即可直接开工。

二、路线图的总体预算：~3,500 LOC、~25 人周

这是整个循环产出的工程成本汇总（与 PRODUCTION-ROADMAP.md 中的汇总表一致）：

层级	时间窗	LOC	人周
Tier 1	Q3 2026（下一季度）	~490	3-4
Tier 2	Q3-Q4 2026	~1,180	6-8
Tier 3	2027	~1,140	8-10
Tier 4-5	长期	~700+	6-8
合计		~3,500	~25 人周

其中：隐私 + 联邦 + PQC 链路约占 ~1,820 LOC，放置 / cog / 集成类工作约占 ~1,700 LOC。文档明示：该预算不含集成测试、文档编写与部署运维时间。

三、Tier 1（Q3 2026）：下一季度即可交付的 4 项

Tier 1 是整份路线图中杠杆最高、路径最短的部分。仅完成 Tier 1，即可获得 93× 放置覆盖率提升、9.36× 入侵检测提升，并关闭 ADR-029 遗留的放置问题。

#	交付物	LOC	优先级
1.1	wifi-densepose plan-antennas CLI 工具	360	HIGH
1.2	在 vital_signs cog 中落地 R12.1 pose-PABS 闭环	80	HIGH
1.3	cog-person-count v0.0.3（胸区中心化放置）	50	HIGH
1.4	以 ADR-113 矩阵修订 ADR-029	0	HIGH

3.1 交付物 1.1：plan-antennas CLI 放置规划工具

• 来源 tick：R6.2 / R6.2.1 / R6.2.2 / R6.2.2.1 / R6.2.3 / R6.2.4 / R6.2.5 / ADR-113
• Owner：CLI 维护者（依据 ADR-104）
• 依赖：无（examples/research-sota/02-placement/ 下已有 NumPy 参考实现）
• 理由：仅靠物理模型即可获得 93× 传感覆盖提升；现有客户今天就可以按结果重新挂装天线。

CLI 的完整命令面（来自 PRODUCTION-ROADMAP.md 与 R6_2_5-multi-subject-union.md 的最终收敛版）：

wifi-densepose plan-antennas \
    --room 5 5 [Z]                    # 2D 或 3D
    --target NAME X Y W H [DX DY DZ]  # 可重复，多目标联合
    --target-mode {body, chest}       # R6.2.3 胸区模式
    --cog COG_NAME                    # 自动选择 target-mode 与 N
    --freq-ghz 2.4                    # 2.4 / 5.0 / 6.0
    --n-anchors N                     # 省略时自动饱和
    --restarts K                      # 默认 4

多目标联合的实际用法（4 人家庭示例，来自 R6.2.5）：

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

输出为 N=5 锚点布局，覆盖 4 个目标胸区的并集（union）达 100%。ADR-113 指出该 CLI 的纯产品化成本约 ~100 LOC，叠加 R6 家族的参考实现后，放置策略整体预算约 ~360 LOC。

3.2 交付物 1.2：R12.1 pose-PABS 闭环进入 vital_signs

• 来源 tick：R12 PABS / R12.1 / R6.1
• Owner：vital_signs.rs 维护者
• LOC：~80（核心公式 + pose_tracker.rs 联动）
• 依赖：既有 pose 管线（ADR-079、ADR-101）、R6.1 多散射体前向算子
• 理由：带来 9.36× 入侵检测提升，直接交付一个 V0 安全功能。

为什么需要闭环：R12 PABS（tick 19）在静态场景下给出干净的 1,161× 入侵者 vs 漂移提升，但存在已知误报问题——受试者移动 10 cm 即产生 22,000× 的 PABS 伪差。R12.1（R12_1-pose-pabs-closed-loop.md）在合成数据上验证了闭环解法：PABS = ‖observed − predicted‖² / ‖observed‖²，其中 predicted 每帧由 pose tracker 估计值（含 5 cm 位置噪声，对应 ADR-079 约 95% PCK@20 质量）更新。

阶段	固定基线（naive）	Pose 更新（闭环）
入侵前（T<25），受试者移动	6.02	0.30
入侵后（T≥25）	7.76	2.84
入侵检测提升	1.29×	9.36×

闭环把受试者自身运动贡献压制 20×（6.02 → 0.30），同时保留入侵检测信号。生产接入的 Rust 伪代码（~80 LOC 核心 + ~30 LOC 管线）：

// pseudocode for the closed loop in vital_signs / structure module
let pose = pose_tracker.estimate(csi_window)?;  // ADR-079 / ADR-101
let expected_scene = body_model.from_pose(pose) + room_walls;
let y_predicted = fresnel_forward.simulate(expected_scene);
let pabs = (csi_window - y_predicted).norm_sq() / csi_window.norm_sq();
if pabs > threshold {
    emit_structure_event();
}

三个新增件：body_model.from_pose(pose)（pose 输出 → 散射体位置）、fresnel_forward.simulate(scene)（R6.1 多散射体模型）、pabs(observed, predicted)（L2 范数）。可嵌入现有 vital_signs cog 的逐帧推理路径。

3.3 交付物 1.3：cog-person-count v0.0.3 胸区中心化

• 来源 tick：R5 / R8 / R6.2.3 / ADR-113
• Owner：cog-person-count 维护者（依据 ADR-103）
• LOC：~50（放置感知训练配置 + 每个 cog 的 --target-mode=body 默认值）
• 依赖：1.1 CLI 工具
• 理由：本循环的 K 折 + 标签平滑工作已交付 v0.0.2；v0.0.3 是放置感知重训。

3.4 交付物 1.4：ADR-029 修订（并入 ADR-113 放置矩阵）

• 来源：ADR-113
• Owner：ADR-029 作者 / 架构师
• LOC：0（仅修订 ADR 文本）
• 依赖：1.1 CLI 工具（验证矩阵）

ADR-029（RuvSense 多站感知模式）引入多锚点 CSI 感知，但未规定锚点数量、位置、以及区域如何随目标 cog 变化。ADR-113 把 R6 家族 9 个 tick 的量化结论整合成一张 4 轴放置决策矩阵（维度 × 区域模式 × 占用人数 × cog），参数化绑定为 RuView 安装规范。

四、核心资产：ADR-113 四轴放置决策矩阵

这是 Tier 1.1 与 1.4 共同依赖的规范核心（完整表格见 ADR-113）：

| Cog 类别 | 维度 | 区域模式 | 人数 | 推荐 N | 锚点高度 | 预期覆盖率 | |---|---|---:|---|---:|---:|---|---:| | 存在 / 占用 | 2D | body | 1 | 3 | 墙面 @ 0.8 m | 63% | | 人数统计 | 2D | body | 1-4 | 4 | 墙面 0.8-1.5 m 混合 | 86% | | 姿态估计 | 2D | body | 1-2 | 5 | 墙面 0.8/1.5 m 混合 | 97% | | 生命体征 | 2D | chest | 1-4 | 5 | 墙面 0.8/1.5 m | 100% | | 姿态估计（3D） | 3D | body | 1-2 | 7-8 | 混合 0.8/1.5/2.4 m | 65%+ | | 生命体征（3D） | 3D | chest | 1-4 | 6 | 墙面 0.8/1.5 m，无天花板 | 82% | | 海事舱室 | 2D | chest | 1-3 | 4 | 低位（0.5-0.8 m） | 80%+ | | 野生动物感知 | 1D 线性 | 全走廊 | 1-5 物种 | 4（沿走廊） | 树木挂装混合 | 70%+ |

配套的 7 条关键规则（摘自 R6 家族）：

1. 纯天花板挂装必然失败（R6.2.1）：双锚点都置于天花板高度时，Fresnel 包络停留在天花板层，永远够不到地面目标；至少保留一个低位锚点。
2. 3D 场景下垂直链路多样性制胜（R6.2.1）：z 向对角链路（如 0.8 m → 1.5 m）能把椭球倾斜贯穿多个高度层。
3. 锚点高度应与目标区域高度匹配（R6.2.4）：胸区（z=0.3-1.5）不收益于天花板（z=2.4）锚点；全身覆盖才需要。
4. 生命体征应选胸区而非全身模式（R6.2.3）：N=5 时靠更小、更贴合个体的区域带来 +27 pp 覆盖增益。
5. 家庭场景应以多目标并集为优化目标（R6.2.5）：单目标放置扩展到 4 人时损失 29 pp；多目标联合优化保持 100%。
6. N=5 是消费级推荐值（R6.2.2 + R6.2.5）：2D 胸区多目标饱和拐点，超过 N=5 边际增益 <1 pp。
7. 避免把目标区域放在 LOS 直射线上（R6.1）：LOS 上散射体的路径差对偏移是二阶小量，呼吸运动几乎不改变路径长度；实际安装必须让受试者偏离 LOS。

同一 ADR 还定义了 MCP 表面（依据 ADR-104），供 AI Agent 驱动部署：

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

以及 --cog 自动映射表（cog 类别 → 区域模式 / 高度 / N），例如 cog-vital-signs → chest / low+mid / 5（2D）/ 6（3D），cog-person-count → body / mixed low / 4，cog-intruder → body / mixed / 5。

五、Tier 2（Q3-Q4 2026）：联邦与隐私链路

#	交付物	LOC	优先级
2.1	ruview-fed crate（安装内联邦）	800	HIGH
2.2	cog-vital-signs 更新（R15 基元隔离）	120	HIGH
2.3	放置矩阵基准验证套件	200	MEDIUM
2.4	MCP 工具 ruview_placement_recommend	60	MEDIUM

• 2.1 依据 ADR-105 + ADR-106，由新增的联邦专家角色负责，含 Krum 聚合器、LoRA+int8 增量编解码、MERIDIAN 质心钩子、mincut 一致性检查、带 Moments Accountant 的 DP-SGD 与基元隔离执行。依赖 AgentDB、ruvllm-microlora、ruvector-mincut（均已存在），约 3 周工作量，是 R14 共情家电与 R16/R17/R18 垂直场景的前置。
• 2.2 依赖 2.1，落地 PrimitiveTag 枚举、API 表面上的仅设备端执行、per-cog 配置 schema，是 R16 医疗部署的合规前提。
• 2.3 是 ADR-113 诚实边界的落地：用 COM5 硬件把合成数据（matrix-vs-observed）变成验证过的数字。
• 2.4 对应 ADR-104 的 ruview_placement_recommend MCP 工具，使 AI Agent 可编程调用部署建议。

六、Tier 3（2027）：跨安装联邦、后量子密码与垂直落地

#	交付物	LOC	优先级
3.1	跨安装联邦（ADR-107）	+530	MEDIUM
3.2	PQC 迁移 Phase 1（ADR-108 + ADR-109）	+490	MEDIUM
3.3	真实 AETHER + R3.2 嵌入级跨房间 Re-ID	~200	MEDIUM
3.4	cog-fall-detection（R12.1 生产化）	~200	HIGH（R16）/ MEDIUM（通用）

• 3.1 依据 ADR-107：Bonawitz 安全聚合、门限 Shamir、PKI 客户端、按安装轮换密钥。
• 3.2 依据 ADR-108 + ADR-109：Kyber-768 KEM（+220）+ Dilithium-3 签名（+270）；opt-in pgc-hybrid 模式，Phase 2（2027-Q2）前置。
• 3.3 依赖 ADR-024 对比头训练（RTX 5080 约 1-2 天），产出可工作的跨房间 Re-ID，解锁 R14 逐占用者功能。
• 3.4 依赖 1.2，pose-PABS 管线 + 跌倒事件检测器 + EHR/告警集成垫片。

七、Tier 4-5：长期与"研究仍需补齐"

Tier 4（2027-2030）：

• 4.1 PQC Phase 2（混合默认，+150 LOC，CNSA 2.0 合规）
• 4.2 野生动物 cog（R10 + cog-wildlife，~300 LOC，依赖外部标注数据集与生态学伙伴）
• 4.3 海事 cog（R11 + cog-maritime-watch，~250 LOC，穿舱缝声学耦合 CSI + 落水检测 + 船员生命体征）
• 4.4 R6.1 多散射体进入生产 vital_signs（~150 LOC，含 R17 工业 PPE 感知变体）

Tier 5（2027 之后，研究型）：

• 5.1 真实人体 RCS 测量（0 LOC，论文 + 测量活动，需消声室）
• 5.2 户外 / 天气影响传播（0 LOC，论文，需气象站数据）
• 5.3 长班次步态疲劳 cog（~300 LOC，需多小时标注工人数据）
• 5.4 带同意的灾害部署联邦（0 LOC，政策工作，需 FEMA / 城市搜救伙伴）

Tier 6（运营 / 管理）：

• 6.1 Owner 密钥轮换策略（ADR-111，ADR-109 Phase 1 前置）
• 6.2 跨组织 PKI 引导（ADR-107 延后项，多组织联邦前置）
• 6.3 FDA / CE 监管路径（R16 医疗，每设备类别 $500K-$2M、6-18 个月，医疗部署 HIGH 优先级）

八、关键路径图与依赖关系

tick-35 与 PRODUCTION-ROADMAP.md 给出了同一张文本化关键路径：

1.1 plan-antennas CLI ----+
                          v
1.2 R12.1 vital_signs ---+
                         v
1.3 cog-person-count v0.0.3 ---+
                               v
2.1 ruview-fed crate --------+
                             v
2.2 cog-vital-signs DP -----+
                            v
3.1 cross-install fed -----+
                           v
3.2 PQC migration --------+
                          v
3.3 R3.2 embedding cross-room
3.4 cog-fall-detection (independent of 3.3)
4.x verticals (R10, R11, R16, R17, R18)

要点：1.1 与 1.2 并行（1.1 同步服务于 1.3 与 2.4）；3.3 与 3.4 相互独立可并行；4.x 垂直场景统一挂在联邦链路之后。

九、R 编号线程的归属层级

线程	归属层级
R5 / R6 / R6.2 家族 / R6.1	Tier 1（放置 + PABS）
R12 / R12.1 PABS	Tier 1.2
R3 / R3.1 / R3.2 / R14 / R15	Tier 2-3（隐私 + 联邦）
R7 mincut	Tier 2（并入 ruview-fed）
R13 NEGATIVE	排除 BP cog，无 Tier 行
R10 野生动物	Tier 4.2
R11 海事	Tier 4.3
R16/R17/R18 垂直场景	Tier 4-5

十、路线图的边界：它"能做什么"与"不能做什么"

能做的：工程团队无需重读 34 份研究笔记即可开工；为工程管理者提供优先级对齐；为项目规划提供估算锚点；为并行排期提供关键路径可见性。

不能做的（原文档明确声明）：

• 生产验证仍缺失：所有数字均为合成物理推导，真实硬件基准验证在 Tier 2.3（COM5 ESP32-S3）仍未完成，矩阵数值在真实部署中可能偏移 ±5-15%。
• 监管批准未覆盖：FDA / CE 是独立的 Tier 6.3 路径。
• 外部伙伴未建立：Tier 4.2 / 4.3 / 5.4 均需外部伙伴（生态学、海事、FEMA / 城市搜救）。
• 估算锚定于合成数据：ADR-113 的诚实边界指出，贪婪搜索 + 4 次重启的全局最优可能比报告值高 1-2 pp；自由空间传播未建模多径；未考虑家具遮挡；仅测试了 5×5 m 卧室与 4×6 m 客厅类几何。

tick-35 还补充了三条路线图自身的诚实边界：

• 估算基于合成数据，基准验证后可能变动；
• 关键路径可能隐藏依赖（例如 AgentDB schema 变更）；
• 25 人周假设全职工程师，未计入集成测试、文档与部署运维。

十一、数值背后的源码证据：R6 家族参考实现

路线图中所有覆盖率数字都来自 examples/research-sota/02-placement/ 的 NumPy 参考实现，按开发顺序排列：

脚本	线程	轴	结论
r6_2_antenna_placement.py	R6.2	2D 单对	最优放置比随机中位数好 93×；角落对角
r6_2_1_3d_placement.py	R6.2.1	3D 单对	纯天花板挂装失败（0% 覆盖）
r6_2_2_multistatic_placement.py	R6.2.2	2D N 锚点	典型卧室 N=5 达拐点（96.8% body 区覆盖）
r6_2_2_1_3d_multistatic.py	R6.2.2.1	3D N 锚点	2D 拐点在 3D 中失效（N=5 仅 49%）
r6_2_3_chest_centric.py	R6.2.3	2D 胸区	生命体征 cog 胸区定向 +27 pp
r6_2_4_3d_chest_multistatic.py	R6.2.4	3D 胸区	收复 3D 短板——N=5 达 77%，N=6 达 82%
r6_2_5_multi_subject.py	R6.2.5	多目标并集	1-4 人胸区 N=5 达 100%

每个脚本同目录均配有 *_results.json，可复现验证。R6.2.5 的 4 人饱和曲线（R6_2_5-multi-subject-union.md）显示：N=2 时 14.5%，N=3 时 72.9%，N=4 时 99.0%，N=5 时 100%；跨评估显示单目标优化放置只有 70.6% 覆盖，多目标联合优化 100%，增益 +29.4 pp。而 R6.2.5 也解释了为何胸区多目标更饱和：每个胸区仅 40×40 cm，能塞进单个 Fresnel 椭球（5 m 链路中点处椭球约 40 cm 宽），N=4 锚点即构成 6 条成对链路，足以覆盖 4 个不相交小区域。

十二、循环的最终自检：两条自我纠错与三类诚实边界

00-summary.md 记录了两条显式自我纠错（tick 之间下调此前乐观数字）：

1. R6.2.2 → R6.2.2.1：2D 的 N=5 拐点（97%）在 3D 下不成立（49%），强制诚实修订。
2. R6.2.2.1 → R6.2.4：预测 3D 胸区 N=5 达 80%+，实际 76.8%，拐点移至 N=6。

以及三类"合成实验不足以支撑生产声明"的诚实边界发现（均指向明确的生产工作）：

1. R3.1 原始 CSI 层的物理环境建模失败 → 改用嵌入层（R3.2）；
2. R6.2.2.1 的 2D 拐点在 3D 失效 → 改用胸区（R6.2.4）；
3. R3.2 的 mean-pool AETHER 过弱 → 使用真实对比 AETHER（ADR-024）。

十三、阅读路径与落地建议

• 快速开工清单：Tier 1 四条（CLI 工具 ~1 周、R12.1 闭环 ~3 天、cog v0.0.3 重训、ADR 修订）是 Q3 2026 的可行交付组合，落地后即获 93× 放置提升与 9.36× 入侵检测提升。
• 规范文档：PRODUCTION-ROADMAP.md（6 层明细）、ADR-113（放置决策矩阵与 CLI/MCP 表面）、00-summary.md（循环总览与 ADR 预算）。
• 底层研究：R6 家族（R6_2_5-multi-subject-union.md 等 9 个 tick）、R12.1 闭环（R12_1-pose-pabs-closed-loop.md）、R3 跨房间 Re-ID 弧。
• 可复现代码：examples/research-sota/02-placement/ 下 7 个放置脚本及其结果 JSON。
• 必须注意：任何数字在真实 ESP32 CSI 基准验证（Tier 2.3）完成之前均为合成物理推导值，部署前需验证；医疗类 cog 需走独立的 FDA / CE 监管路径。