RuView 三维天线布放指南：为什么纯吸顶安装是 WiFi 感知的最差选项（R6.2.1 Fresnel 椭球基准）

RuView 三维天线布放指南为什么纯吸顶安装是 WiFi 感知的最差选项R6.2.1 Fresnel 椭球基准【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本文基于仓库研究文档 R6_2_1-3d-placement.md 展开结合其基准脚本 r6_2_1_3d_placement.py 与结果文件 r6_2_1_3d_results.json 进行源码级印证。导读RuView 用商用 WiFi 信号实现无摄像头的人体感知而感知质量的第一步不取决于算法而取决于天线放哪儿。R6.2.1 把 R6.2 的二维 Fresnel 布放分析扩展到三维空间通过 5×5×2.5 m 卧室基准得出一个反直觉结论纯吸顶安装的三维覆盖率是 0%是所有布放策略中最差的一个而一低一高的混合高度布放以 25.7% 的覆盖率胜出。读完本文你将掌握三维 Fresnel 椭球的物理判定式、四种布放策略的量化对比、按使用场景睡眠/坐姿/站立选择天线高度的部署配方以及这些结论对 RuView 安装指南和 ADR-029 多基站配置的直接影响。1. 从 2D 到 3D为什么二维分析会给出错误答案R6 建立了第一 Fresnel 区前向模型一条 WiFi 链路的感知灵敏度并非均匀分布而是集中在一个以 Tx-Rx 连线为轴的椭球包络内——包络内的人体运动会驱动整条 CSI 向量包络外的人体只能扰动边缘子载波见 R6-fresnel-forward-model.md。R6.2 将其产品化为二维布放工具在 2D 平面内第一 Fresnel 区是焦点位于 Tx/Rx 的椭圆点x位于区内当且仅当|Tx-x| |x-Rx| ≤ d λ/2。该工具在 5×5 m 卧室基准上找到的最优对角布放把覆盖率从随机布放的 0.5% 中位数提升到 51.1%提升约93×见 R6_2-fresnel-antenna-placement.md。但 R6.2 明确承认了自己的局限Real Fresnel envelopes are 3D ellipsoids; the 2D model is correct for floor-level scattering (most occupancy) but underestimates ceiling-mounted antennas coverage of standing occupants——真实人体在垂直方向上有 0~1.8 m 的分布而真实 WiFi 节点则可能被装在桌面0.8 m、墙面1.5 m或天花板2.5 m。R6.2.1 正是为了填补这个空缺用 3D 椭球替换 2D 椭圆并把天花板/地板安装纳入候选集。2. 反直觉头条纯吸顶安装的三维覆盖率为 0%基准设定为 5×5×2.5 m 卧室三个高度各异的三维目标区目标区位置米高度范围米物理含义bed床(1.5, 0.5)-(3.5, 2.0)z ∈ [0.3, 0.6]平躺入睡chair椅(3.5, 3.5)-(4.3, 4.3)z ∈ [0.5, 1.2]坐姿工作standing站立区(0.5, 3.5)-(1.5, 4.5)z ∈ [1.0, 1.7]站立活动对四种布放策略穷举所有候选 Tx-Rx 对0.5 m 步长、0.1 m 体素分辨率后结果如下策略三维覆盖率桌面高度0.8 m贴墙22.2%墙面安装1.5 m贴墙17.4%纯吸顶2.5 m全天花板网格0.0%混合高度贴墙 吸顶任意高度25.7% ← 最优纯吸顶安装完全失效其 Fresnel 包络停留在 2.1~2.9 m 的天花板高度而床0.3~0.6 m、椅0.5~1.2 m、站立区1.0~1.7 m全部在包络之下 0.4~2.0 m一个都够不着。这是 R6.1 发现的on-LOS 退化在三维中的延伸——R6.1 指出目标恰好在 LOS 直线上时信号退化而 R6.2.1 揭示的是**on-CEILING 退化**任意高度的水平扁平链路都会在垂直维度上屏蔽感知。3. 背后的物理三维第一 Fresnel 区是扁长椭球三维中第一 Fresnel 区是一个扁长椭球prolate ellipsoid焦点位于 Tx 与 RxLOS 为长轴。中点处的横向半径为r sqrt(d·λ) / 2对于 5 m 链路、2.4 GHzλ 12.5 cm横向半径 ≈ 39 cm。这是围绕 LOS 线的对称包络。问题出在吸顶场景Tx 与 Rx 都在 2.5 m 高度、LOS 水平Fresnel 包络以 2.5 m 为垂直中心纵向延伸 2.1~2.9 m。而目标人体位于 0.3~1.7 m比包络最低点还低 0.4~2.0 m被完全错过。点p是否在第一 Fresnel 椭球内判定式为与 R6.2 的 2D 公式同构|Tx - p| |p - Rx| |Tx - Rx| λ/2即到两焦点距离之和不超过直达距离加半个波长。仓库中的基准脚本 r6_2_1_3d_placement.py 正是用 NumPy 的向量化范数实现这一判定def in_first_fresnel_3d(p, tx, rx, wavelength): r1 np.linalg.norm(p - tx, axis1) r2 np.linalg.norm(p - rx, axis1) direct np.linalg.norm(tx - rx) return (r1 r2) (direct wavelength / 2)4. 源码实现三维布放搜索如何工作基准脚本 r6_2_1_3d_placement.py 是纯 NumPy 实现无需仓库其他依赖可独立复现。其核心流程分四步① 定义三维目标区脚本 L84-L92每个区域用(name, x0, y0, z0, dx, dy, dz)六元组描述代表人体躯干占据的立方体target_zones [ (bed, 1.5, 0.5, 0.3, 2.0, 1.5, 0.3), # 躺姿低空 (chair, 3.5, 3.5, 0.5, 0.8, 0.8, 0.7), # 坐姿中空 (standing, 0.5, 3.5, 1.0, 1.0, 1.0, 0.7), # 站立高空 ]② 按策略生成候选天线位脚本 L114-L135desk-height与wall-mount只在四面墙生成候选ceiling在 2.5 m 高度铺满 0.5 m 步长的天花板网格mixed则同时纳入墙面0.8/1.5 m与天花板2.5 m三种高度的候选去重后共 201 个候选位。③ 穷举 Tx-Rx 对并计算覆盖率脚本 L144-L168跳过j i的重复对与距离 1 m 的过短链路对每对用 0.1 m 分辨率把目标区栅格化统计落在椭球内的体素占比def coverage_3d(tx, rx, target_zones, wavelength, resolution0.1): # 每个 zone: xs/ys/zs 栅格 - meshgrid - 3D 点云 # mask in_first_fresnel_3d(pts, tx, rx, wavelength) # per_zone[name][coverage_fraction] mask.mean()④ 汇总四种策略的最优值脚本 L170-L210并把结果与头条结论写入 JSON。4.1 复现基准cd examples/research-sota/02-placement python3 r6_2_1_3d_placement.py --out r6_2_1_3d_results.json运行后终端会打印每种策略评估的对数桌面 736 对、墙面 736 对、吸顶 4608 对、混合 19464 对与最优覆盖率并把完整结果房间参数、目标区、每种策略的最优 Tx/Rx 坐标与分区覆盖率、混合方案相对桌面方案的提升百分比写入 r6_2_1_3d_results.json。结果文件确认了文档头条的所有数字desk_score 0.222、ceiling_score 0.0、mixed_score 0.257、mixed_lift_over_desk_pct 15.82。5. 为什么混合高度胜出垂直链路多样性最优混合布放结果文件中的best_tx/best_rx为Tx(5.0, 4.0,0.8) —— 桌面高度Rx(0.0, 4.0,1.5) —— 墙面安装高度这条链路在 x 方向跨房间对角线在 z 方向同样是斜的。倾斜的 Fresnel 椭球像一根穿过多层高度的感知针把坐姿区z0.5~1.2与站立区z1.0~1.7同时纳入包络结果文件中两区覆盖率分别为 48.4% 与 44.3%文档同时指出它还能覆盖床区的一部分。作为对比桌面高度方案的最优解 (0.5, 0.0, 0.8)-(5.0, 5.0, 0.8) 是水平对角线床区覆盖 10.4% 而站立区为 0%墙面高度方案 (0.0, 5.0, 1.5)-(4.5, 0.0, 1.5) 只覆盖站立区 51%床区与椅区均为 0。文档给出的核心洞察一句话可概括垂直链路多样性是二维分析完全遗漏的关键三维洞察。这也是 R6.2.1 相对 R6.2 的核心增量二维分析只优化 x-y 平面会给出放在对面墙这类忽略高度的错误建议三维分析证明高度与水平位置同等重要。6. 按使用场景的天线高度部署配方文档将三维结论整理为可直接照做的部署配方表使用场景三维布放配方单 Tx-Rx 对一低一高一端桌面高度约 0.8 m一端墙面约 1.5 m对墙放置4 锚点多基站R6.2.22 个低角落 2 个高对角角落5 锚点R6.2.2 拐点混合 0.8 m / 1.5 m外加一个 2.5 m 吸顶锚点提供俯视覆盖仅床区睡眠监测两天线都低0.5~0.8 m且分置床的两侧仅站立区健身房、厨房两天线都高1.5 m绝对禁止两天线都吸顶安装且没有低位锚点针对当前安装指南的三条修订建议高度与水平位置同等重要混合高度比纯桌面高度提升 15.8 个百分点。吸顶不能单独使用若在多锚点配置中使用吸顶必须至少保留一个低高度锚点把 Fresnel 包络拉回到地面层目标。床旁感知需要低位锚点0.3~0.6 m 的床只能由低高度链路覆盖高挂天线会完全错过床区。这三条应作为**高度配方height recipes**与 R6.2 的水平布放配方一同并入安装指南——R6.2 的二维结论单独使用会给出错误指导。7. 与既有线程/ADR 的组成关系R6.2.1 不是孤立的基准它与仓库中的感知研究体系紧密咬合R6.2二维布放二维分析完全掩盖了高度问题单独依赖 R6.2 会给安装者错误指导R6.2.1 是它的直接三维扩展。R6.2.2N 锚点多基站N5 锚点应跨高度分布而不是集中在同一高度。R6.2.2.13D 多基站三维饱和曲线显示拐点消失N5 时三维覆盖率只有二维的一半49.4% vs 96.8%其贪心搜索在每个 N 上都偏好3~5 个低位 0~1 个中位 1 个高位从多锚点侧再次印证了 R6.2.1一低一高的策略。R6.1多散射体其人体模型是二维俯视图三维人体模型头 z1.7、胸 z1.3、腿 z0.5能按高度细化各身体部位的贡献估计。R14共情家电V1 照明卧室检测睡眠者需要低位锚点V3桌面认知负荷需要中位高度布放策略取决于共情家电的具体用例。ADR-029多基站感知模式锚点数量与布放高度都应成为必需配置参数其 4 节点 TDMA 网格$73-91 BOM在三维空间中必须借助本结论决定每个锚点的 (x, y, z)。8. 诚实的边界这些数字意味着什么、不意味着什么文档明确列出了本基准的适用范围引用时不应越界覆盖率数字22%、17%、26%低于 R6.2 二维的 51%因为三维目标是体积而非二维的面积。体积覆盖天然更低——三维点必须在三个轴向上都落在椭球内。三个离散高度区是近似真实房间的人体占用是连续分布站、坐、躺三区设置是离散近似。仅单链路对多锚点三维场景R6.2.2.1由于每个锚点椭球在三维中更稀疏饱和会远早于二维版本。未建模家具遮挡真实卧室的衣柜会挡住部分 Fresnel 椭球自由空间假设。0.1 m 分辨率更细的分辨率只会微调数字。贪心单对搜索全局最优可能略高在该候选规模下暴力穷举是可行的。9. 能力边界能做什么、不能做什么R6.2.1 直接解锁的能力把安装指南配方从放对面墙升级为在对面墙混合高度放置量化解释了为什么纯吸顶的 WiFi 感知不工作——这是 DIY 部署中最常见的错误提供按使用场景睡眠/坐姿/站立的高度策略推荐为wifi-densepose plan-antennas提供一个可加入的--3d三维布放搜索R6.2 已给出该 CLI 的二维形态见 R6_2-fresnel-antenna-placement.md 中的--room/--target/--freq-ghz/--step参数用法。R6.2.1 不能做到的事连续占用分布建模需要姿态轨迹数据归 R6.2.3多链路三维联合优化R6.2.2.1需与 R6.2.2 在三维中组合家具/墙体遮挡建模需要三维射线追踪扩展逐共情家电的最优布放需要 V1/V2/V3 的任务特定区域。10. 后续工作R6.2 家族R6.2.2.1三维多锚点并集覆盖——5 锚点拐点在三维中是否仍然成立已完成拐点消失见 R6_2_2_1-3d-multistatic.mdR6.2.3胸部中心目标区——R6.1 指出胸部占信号 27.6%布放应专门瞄准胸部后续 R6.2.4 把三维多锚点与胸部中心区组合。R6.2 产品化为 CLI 工具增加--3d标志。结论R6.2.1 用一组可复现的三维基准给出了 RuView 部署者最需要的安装常识天线高度不是装修细节而是感知系统的第一决定因素。纯吸顶安装的 0% 覆盖率与混合高度 25.7% 的对比把垂直链路多样性从直觉上升为可量化、可搜索、可写进安装指南的工程指标。无论你部署的是单对链路、ADR-029 的四锚点网格还是面向 R14 共情家电的场景化感知R6.2.1 的结论都适用在对面墙混合高度放置永远保留至少一个低位锚点——这条配方不需要任何硬件改动就能让现有安装的感知能力产生数量级差异。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考