企业官网建设流程全解析

RuView RF 拓扑感知：基于最小割与谱图论的 WiFi CSI 图理论基础

【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 RuView 仓库的研究文档 RD-001（01-rf-graph-theory-foundations.md），系统讲解「RF 拓扑感知」的图论数学框架：如何将 16 节点 ESP32 WiFi 网格建模为以 CSI 相干性为边权的加权图，并运用最小割（Stoer-Wagner、Karger、Gomory-Hu 树）与谱方法（Fiedler 向量、Cheeger 不等式、扰动理论）检测 RF 场中的物理扰动边界。读完本文，你将掌握该方案与 RSSI 三角定位、CSI 定位等经典方法的本质区别、实时计算的复杂度约束，以及这些数学工具在 RuView Rust 源码中的落地位置。

1. 什么是 RF 拓扑感知：从"定位"到"边界检测"

经典 RF 感知（RSSI 三角定位、指纹定位、CSI 定位）回答的问题是"目标在哪里"，需要传播模型、标定数据库和显式坐标系。RuView 提出的RF 拓扑感知（RF Topological Sensing）换了一个问题："RF 场的结构发生了什么变化？"

设想一个房间内部署 16 个 ESP32 节点，每个节点都能收发 WiFi CSI（Channel State Information，信道状态信息）帧。每对有序 TX-RX 链路产生一组跨 OFDM 子载波的幅度/相位测量。无人扰动时，这些测量呈现由房间几何、多径结构和硬件特性决定的稳定相干模式；当人进入房间后，会散射、吸收、反射特定传播路径上的 RF 能量。关键洞察在于这种扰动是空间局域化的：只有菲涅尔区（Fresnel zone）与人体相交的链路才会出现显著相干性退化。受扰链路构成一个连通子图，其边界——即连接"受扰区"与"未受扰区"的边集合——构成了扰动的拓扑签名。

最小割算法正是提取这一边界的自然工具：图的割把顶点集划分为两个集合，割容量是跨边权重之和；当边权编码相干性（权重大 = 链路稳定）时，最小割恰好穿过失稳的边，精确标出扰动边界。该研究文档将其展开为三条主线：

• 算法轴：哪些最小割算法适合实时 RF 感知？
• 谱轴：特征值方法如何与组合式最小割互补？
• 对比轴：为什么拓扑感知与位置估计是本质不同的两类问题？

这套思路与 RuView 仓库中的 ADR-029（RuvSense 多站感知）和 ADR-017（RuVector 信号集成）直接关联，分别见 ADR-029 与 ADR-017。

1.1 记号约定

研究文档使用如下约定，后文公式均以此为基础：

2. 数学框架

2.1 图的定义

RF 感知图定义为G = (V, E, w)，其中：

• V= {v_1, ..., v_n} 是 ESP32 节点集，部署中 n = 16；
• E⊆ V × V 是边集，每条边 e = (v_i, v_j) 表示节点 i 与 j 之间的双向 TX-RX 链路。全连接 16 节点网格下，|E| = C(16,2) = 120；
• w: E → R≥0是边权函数，定义为第 2.3 节所述的 CSI 相干性度量。

2.2 邻接矩阵、度矩阵与拉普拉斯矩阵

加权邻接矩阵A ∈ R^{n×n}：

A[i,j] = w(v_i, v_j) if (v_i, v_j) ∈ E A[i,j] = 0 otherwise

度矩阵D 为对角阵：D[i,i] = Σ_j A[i,j]。

拉普拉斯矩阵L = D - A具有基本性质：对任意 x ∈ R^n，

x^T L x = Σ_{(i,j) ∈ E} w(i,j) * (x_i - x_j)^2

这一二次型度量 x 相对于图结构的"平滑度"——在重权边上变化缓慢的函数具有小的拉普拉斯二次型。归一化拉普拉斯为：

L_norm = D^{-1/2} L D^{-1/2} = I - D^{-1/2} A D^{-1/2}

其特征值落在 [0, 2] 区间，使不同规模图之间的谱比较更有意义。

2.3 CSI 相干性作为边权

对每个 TX-RX 对 (v_i, v_j)，在时刻 t 观测到 CSI 向量 h_{ij}(t) ∈ C^K（K 为 OFDM 子载波数，802.11n 在 ESP32 上通常 K = 52）。

时间相干性在 T 帧滑窗上定义为：

γ_{ij}(t) = | (1/T) Σ_{τ=0}^{T-1} h_{ij}(t-τ) / |h_{ij}(t-τ)| |

即归一化 CSI 相位矢量的平均幅值。信道静止时相位矢量对齐，γ → 1；信道因菲涅尔区内运动而起伏时，相位去相关，γ → 0。

子载波相干性提供频域视角：

ρ_{ij}(t) = |corr(|h_{ij}(t)|, |h_{ij}(t-1)|)|

其中 corr 是跨子载波幅度的 Pearson 相关。复合边权为：

w(v_i, v_j) = α * γ_{ij}(t) + (1 - α) * ρ_{ij}(t)

α ∈ [0,1] 为混合参数（文档给出经验值 α ≈ 0.6 效果较好）。

关键性质：w 大表示链路稳定、未受扰动；w 小表示该链路的菲涅尔区被散射体占据。

仓库源码中确实存在这套"边权"思想的工程实现。coherence.rs 中 RuvSense 的相干性度量采用加权高斯似然形式（ADR-029 §2.5）：

score = sum(w_i * exp(-0.5 * z_i^2)) / sum(w_i)

其中z_i = |current_i - reference_i| / sqrt(variance_i)，w_i = 1 / (variance_i + ε)。低方差（稳定）子载波主导打分，使度量对环境漂移敏感、对体态运动引起的子载波波动容忍——这与 RD-001 中"相干性作为边权、稳定链路权重高"的理论定义一脉相承，且 CoherenceState 用指数滑动平均维护参考模板与方差估计，对应第 6.4 节讨论的 EMA 平滑策略。更完整的 CSI 边权计算细节（MUSIC/ESPRIT 多径分解、Kalman 滤波、归一化）见同系列文档 02-csi-edge-weight-computation.md。

2.4 割的定义

G 的割是把 V 划分为两个非空不相交集合 S 与 S̄ = V \ S。割的容量为：

C(S, S̄) = Σ_{(u,v) ∈ E : u ∈ S, v ∈ S̄} w(u, v)

全局最小割：mincut(G) = min_{∅ ⊂ S ⊂ V} C(S, S̄)；对源-汇对 (s, t) 的最小 s-t 割：mincut(s, t) = min_{S : s ∈ S, t ∈ S̄} C(S, S̄)。

归一化割（Shi-Malik, 2000）惩罚不平衡划分：

Ncut(S, S̄) = C(S, S̄) / vol(S) + C(S, S̄) / vol(S̄)

其中 vol(S) = Σ_{v ∈ S} d(v) 是 S 的体积（总度）。

2.5 多路割与 k 划分

检测同时存在多个扰动（如房间不同区域两人）时，推广到 k-way 割：

kcut(G) = min partition V into S_1, ..., S_k of Σ_{i<j} C(S_i, S_j)

k-way 最小割对一般 k 是 NP-hard 的，但谱松弛（spectral relaxation）可通过 L 的前 k 个特征向量给出实用的近似解。

3. 面向 RF 网络的最大流/最小割定理

3.1 定理本身

Max-Flow/Min-Cut 定理（Ford & Fulkerson, 1956）是组合优化的基石之一：

定理：在含源 s、汇 t 的流网络中，s 到 t 的最大流等于最小 s-t 割的容量，即max_flow(s, t) = mincut(s, t)。

这一直觉深刻的对偶性对 RF 感知意义重大：最小割容量告诉我们传感器网格中两个区域之间"信息流瓶颈"的强度。当一个人把网格一分为二时，他会通过劣化被遮挡的链路降低这一瓶颈。

3.2 Ford-Fulkerson 与增广路径

Ford-Fulkerson 方法通过反复在残余图中寻找 s→t 增广路径并沿路径推流来求最大流（进而得最小割）：

1. 初始化所有边上流量 f = 0 2. 当残余图中存在从 s 到 t 的增广路径 P 时： a. 找瓶颈容量：δ = min_{e ∈ P} (capacity(e) - f(e)) b. 增广：对每个 e ∈ P，f(e) += δ 3. 返回 f（最大流）及残余图中从 s 可达的集合（即最小割）

复杂度：整数容量下 O(m × max_flow)。对实值相干性权重要么结合 Edmonds-Karp（BFS 选路）达到 O(nm²) 最坏情况，要么用 Dinic 算法达到 O(n² · m)。

RF 应用：当你需要特定节点组之间的最小 s-t 割时——例如"北墙传感器组与南墙传感器组之间最弱的相干边界是什么？"——Ford-Fulkerson 系算法是自然选择。

3.3 Stoer-Wagner 全局最小割算法

RF 拓扑感知通常要的是全局最小割——整个网格中最弱的边界——无需预指定源汇，这正是 Stoer-Wagner 算法（1997）的用武之地：

STOER-WAGNER(G = (V, E, w)): best_cut = ∞ while |V| > 1: (s, t, cut_weight) = MINIMUM_CUT_PHASE(G) if cut_weight < best_cut: best_cut = cut_weight best_partition = ({t}, V \ {t}) // 记录割 G = CONTRACT(G, s, t) // 将 s、t 合并为单顶点 MINIMUM_CUT_PHASE(G): A = {任一起始顶点} while A ≠ V: 把与 A 连接最紧的 v ∈ V\A 加入 A // 即 v = argmax_{u ∈ V\A} Σ_{a ∈ A} w(u, a) s = 倒数第二个加入的顶点 t = 最后加入的顶点 return (s, t, w(t)) // w(t) = Σ_{a ∈ A\{t}} w(t, a)

复杂度：斐波那契堆实现 O(nm + n² log n)，二叉堆 O(nm log n)。对 n = 16、m = 120 的网格，这就是 16 个阶段 × 每阶段 16 次顶点加入 ≈ 256 次操作，微秒级完成，完全满足实时约束。

为什么 Stoer-Wagner 最适合 RF 感知：

1. 无需源/汇：直接找到全局最小割，即网格中最弱的相干边界；
2. 确定性：给出精确最小割而非近似；
3. 小规模稠密图高效：n = 16 下微秒级运行；
4. 返回划分：同时得到割权与顶点划分，直接告诉你扰动边界两侧各是哪些节点。

3.4 Karger 随机化算法

Karger 收缩算法（1993）给出概率方案：

KARGER(G = (V, E, w)): while |V| > 2: 按与 w(e) 成比的概率选边 e = (u, v) CONTRACT(G, u, v) return 两个剩余超顶点定义的割

单次运行以 ≥ 2/n² 的概率返回最小割；重复 O(n² log n) 次取最小即可高概率正确。复杂度单次 O(n²m)，总计 O(n⁴m log n)；Karger-Stein（1996）改进到 O(n² log³n)。

RF 应用中 Karger 的有趣性质：多次运行得到的不仅是单个最小割，而是一个近似最小割的分布。这个分布能揭示：

• 拓扑边界的"刚性"：若大多数运行返回同一割，边界定义良好；
• 备选边界：近似最小割可能对应次级扰动区域；
• 置信区间：返回某一割的运行占比估计它是真最小割的概率。

3.5 Gomory-Hu 树：全对最小割

Gomory-Hu 树（1961）是定义在同一顶点集 V 上的加权树 T，满足：对任意对 (s, t)，G 中的最小 s-t 割等于 T 中唯一 s-t 路径上的最小权边。构造需要 n-1 次最大流计算。

RF 应用：为 16 节点网格预算 Gomory-Hu 树（15 次最大流）后，任意节点对之间的最小割可即时查询，支持诸如"哪对节点互相干性最弱？""若在节点 3 放置发射机，哪个节点被扰动与它'隔离'得最远？"这类问题。n = 16 时树只有 15 条边，每个感知帧（约 100 ms 一次）重建一次都足够快。

4. 动态加权图：RF 网格的几何与时间语义

4.1 部署几何

16 个 ESP32 节点按 4×4 网格部署，以最大化空间覆盖与链路多样性：

v1 ------- v2 ------- v3 ------- v4 | \ / | \ / | \ / | v5 ------- v6 ------- v7 ------- v8 | / \ | / \ | / \ | v9 ------- v10 ------ v11 ------ v12 | \ / | \ / | \ / | v13 ------ v14 ------ v15 ------ v16

所有节点两两可形成链路，构成完全图 K_16（120 条边），但不同链路的几何信息含量不同：

• 短链路（相邻节点）：高 SNR，对近处扰动敏感，菲涅尔区窄；
• 长链路（对角/跨室）：较低 SNR，对路径上任何位置的扰动敏感，菲涅尔区宽；
• 平行链路：敏感性相关——影响其一大概率影响另一条；
• 交叉链路：敏感性互补——菲涅尔区交叠可定位扰动。

4.2 菲涅尔区几何与边语义

长度为 d、波长为 λ 的链路，其第一菲涅尔区是短半轴为

r_F = sqrt(λ * d / 4)

的椭球。在 2.4 GHz（λ ≈ 0.125 m）下，5 米链路 r_F ≈ 0.40 m，10 米链路 r_F ≈ 0.56 m。人体（约 0.4 m 宽、0.3 m 深）能完全占据短链路的菲涅尔区，却只能部分遮挡长链路——由此产生由网格几何决定的天然空间分辨率。

边语义：图中的边 (v_i, v_j) 不只是一条通信链路，更是一个空间感知区域——v_i 与 v_j 之间的菲涅尔椭球；边权 w(v_i, v_j) 编码该感知区域是否受到扰动。

4.3 时间动态

图 G(t) 随时间演化（边权变化）。CSI 采样率 f_s 典型为每链路 10–100 Hz，每步G(t) = (V, E, w_t)：顶点集与边集恒定（16 节点、120 链路），变的是权函数。典型时间模式：

• 静态环境：所有权重稳定在 1.0 附近，最小割容量高（图"均匀强"）；
• 单人进入：一簇边权下坠，最小割容量下降，割划分揭示每个节点位于扰动的哪一侧；
• 人移动：权重下陷区在图中迁移，最小割跟踪迁移，产生划分的时间序列；
• 多人：多个下陷区构成更复杂的景观，需要多路割或层次分解。

4.4 图稀疏化：面向规模扩展

n = 16 的 120 边尚可管理，更大部署需要稀疏化，文档给出两条路径：

几何稀疏化：只保留长度小于阈值 d_max 的边（d_max 取到保证连通即可），均匀部署下产生 O(n) 条边。

谱稀疏化（Spielman-Teng, 2011）：构造稀疏图 H，O(n log n / ε²) 条边，使对一切割满足

(1-ε) * C_G(S, S̄) <= C_H(S, S̄) <= (1+ε) * C_G(S, S̄)

即所有割容量在 (1 ± ε) 内保持，同时大幅减少大规模网格的边数。

4.5 RF 加权图的五个特性

这些特性直接影响算法选择：

1. 非负权：相干性恒在 [0, 1]，满足多数最小割算法的非负性要求；
2. 平滑性：边权连续变化，G(t) 与 G(t+1) 只差小扰动；
3. 空间相关：菲涅尔区重叠的邻近边权重相关；
4. 稠密但结构化：K_16 稠密，但权重结构由物理几何决定，远非随机加权图；
5. 对称性：由信道互易性（同频、同环境），w(v_i, v_j) ≈ w(v_j, v_i)，图实际上是无向的。

5. 谱方法：拓扑变化的另一重表征

5.1 谱图论基础

设 L 的特征值 0 = λ_1 ≤ λ_2 ≤ ... ≤ λ_n。关键性质：

• λ_1 = 0 恒成立，对应 v_1 = (1,...,1)/√n；
• λ_2 > 0 当且仅当 G 连通。λ_2 即代数连通度（Fiedler 值）；
• 零特征值重数等于连通分量数；
• λ_2 是图鲁棒性的度量：λ_2 越高，图越难被断开（所有割容量都高）。

5.2 Fiedler 向量与谱二分

λ_2 对应特征向量 v_2（Fiedler 向量）是最优连续松弛解：

min_{x ∈ R^n} x^T L x subject to x ⊥ 1, ||x|| = 1

解即 x = v_2，最优值即 λ_2。谱二分：S = {v : v_2[i] ≤ 0}，S̄ = {v : v_2[i] > 0}，给出近似最小平衡割。

RF 解读：Fiedler 向量给每个节点赋一个实值，表示其在图"最弱轴"上的位置；扰动边界两侧的节点获得相反符号的值；|v_2[i]| 的大小表示节点 i 与其所在侧关联的强度——靠近边界的节点 |v_2[i]| 小。

5.3 Cheeger 不等式

Cheeger 常数 h(G) 把组合最小割与谱性质联系起来：

h(G) = min_{S ⊂ V, vol(S) <= vol(V)/2} C(S, S̄) / vol(S) λ_2 / 2 <= h(G) <= sqrt(2 * λ_2)

对 RF 感知的意义：

1. 下界：λ_2 小保证存在稀疏割——即存在相干边界；
2. 上界：谱二分产生的割，其归一化容量与最优相差 sqrt(λ_2) 因子以内；
3. 监控 λ_2 时间序列：Fiedler 值持续走低意味着图连通性在减弱——有人进入房间或移动到把网格一分为二的位置。

5.4 高阶特征向量与多路划分

k-way 划分用前 k 个特征向量 V_k = [v_1,...,v_k] ∈ R^{n×k}，每个节点嵌入 R^k：f(v_i) = (v_1[i], ..., v_k[i])，再对嵌入做 k-means 得到谱 k-way 划分。Lee-Oveis Gharan-Trevisan（2014）的高阶 Cheeger 不等式给出：

λ_k / 2 <= ρ_k(G) <= O(k^2) * sqrt(λ_k)

其中 ρ_k(G) 是 k-way 扩张常数。RF 解读：若前三个特征值为 0、0.05、0.08，而 λ_4 跳到 0.6，说明相干图存在两个天然簇（两个扰动区域），λ_3 与 λ_4 之间的谱间隙证实 3-way 划分是自然的。

5.5 谱变化检测：不用每帧重算最小割

特征值跟踪：定义谱不稳定信号

Δ_λ(t) = |λ_2(t) - λ_2(t-1)| / λ_2(t-1)

Δ_λ 的尖峰指示拓扑变化——新扰动或显著移动事件。特征向量扰动：若边 (i,j) 权变化 δw，λ_2 的一阶变化为

δλ_2 ≈ δw * (v_2[i] - v_2[j])^2

即跨 Fiedler 割的边（(v_2[i] - v_2[j])² 大）对代数连通度影响最大——正是我们关心的边界边。

5.6 归一化谱聚类（Shi-Malik）

Ncut 目标

Ncut(S, S̄) = C(S, S̄)/vol(S) + C(S, S̄)/vol(S̄)

松弛为min_x x^T L x / x^T D x subject to x ⊥ D·1，解为广义特征值问题 Lx = λDx，即归一化拉普拉斯 L_norm 的特征向量。

为什么归一化割对 RF 重要：在链路密度不均的网格中（如角部节点强链路少），非归一化最小割可能平凡地切出一个低度节点；归一化割惩罚这种不平衡划分，倾向对应真实物理边界而非节点摆放造成的几何伪影的平衡划分。

6. 实时约束下的动态图算法

6.1 延迟预算

RF 感知需按 CSI 帧率处理。16 节点轮流以 10 Hz 各传，100 ms 周期内 16 帧，全图更新率 10 Hz；每次更新最多改变 15 条边权（发送节点的全部链路）。为支持手势识别、入侵检测等应用，总处理时间须 < 10 ms/更新周期——对现代处理器很宽裕，但为未来扩展到更大网格留下了动机。

6.2 增量式最小割

帧间只有少量边权变化时，从头重算全局最小割是浪费的：

• 权增加（链路增强）：最小割只能增或不变；若被改边不跨当前最小割，割不变；若跨割，需用一次残余图最大流验证当前划分是否仍最优。
• 权降低（链路弱化）：若被降边跨当前最小割，割容量按变化量直接减，无需重算；若边在某侧内部，当前割不变，但可能出现更低容量的新割，需重算。

6.3 递减式维护（RF 的关键场景）

RF 感知的关键情形是边权降低（链路因新扰动变差），这是比增量更难的情形。

方案一：带证明（certificate）的惰性重算——维护 Gomory-Hu 树 T；当边 (u,v) 权降 δ 时，若 (u,v) 不在 T 的任何最重路径上，树不变；若影响瓶颈路径，只重算受影响子树。对 n = 16，全量重建树（15 次最大流）已足够快，惰性收益有限；但 64+ 节点的大网格中它变得重要。

方案二：阈值触发重算——仅当累计权变化超过阈值 θ 时重算：

Σ_{e ∈ E} |w_t(e) - w_{t_last}(e)| > θ

用精度换算力，适合热噪声等小幅波动不应触发拓扑更新的情形。

6.4 滑动窗口与指数滑动平均

滑窗 T 帧的平均相干图

w̄(e, t) = (1/T) Σ_{τ=0}^{T-1} w(e, t-τ)

提供时间平滑但引入延迟；EMA 是更好的替代：

w̄(e, t) = α * w(e, t) + (1-α) * w̄(e, t-1)

α ∈ (0,1) 控制记忆长度；RF 感知中 α ≈ 0.3 兼顾响应速度与噪声抑制。（仓库实现中 CoherenceState 的参考模板 EMA 默认衰减 0.95，是同一思想的落地参数。）

6.5 TDM 轮询下的批量更新

TDM 协议下每个 ESP32 依次发送；节点 v_k 发完后，收到 v_k 关联的全部 15 条链路的新 CSI。这提示批量更新模型：

时间步 k (mod 16)： 更新边集：{(v_k, v_j) : j ≠ k}（15 条边） 检测到显著变化时重算最小割

15 条更新边共享端点 v_k，约束了最小割可能变化的位置。引理：若 v_k 完全在当前最小割一侧（v_k ∈ S），则 (v_k, v_j) 中 v_j ∈ S 的边不影响割容量，只有跨割边 (v_k, v_j), v_j ∈ S̄ 相关。16 节点平衡二分下，15 条更新边至多 8 条跨割，有效更新规模被压缩。

6.6 特征值更新的扰动理论

对谱方法，rank-1 扰动理论提供高效特征值更新。单边 (i,j) 权变化 δ 时，拉普拉斯变化

δL = δ * (e_i - e_j)(e_i - e_j)^T

是 rank-1 更新。扰动后特征值满足久期方程：

1 + δ * Σ_k (v_k[i] - v_k[j])^2 / (λ_k - μ) = 0

Fiedler 值的具体形式为

λ_2' ≈ λ_2 + δ * (v_2[i] - v_2[j])^2

这个 O(1) 更新远比 O(n³) 的完整特征分解便宜，且在 |δ| 相对谱间隙 λ_3 - λ_2 很小时是极优近似。批量更新（TDM 单时隙 15 边）扰动秩至多 15，用 Lanczos、LOBPCG 等方法从上一帧特征向量热启动，几次迭代即收敛。

7. 与经典 RF 感知的对比

7.1 方法分类学

7.2 本质区别

位置估计问"目标在哪里"，需要传播模型、标定（指纹库/锚点坐标）、充分几何多样性与显式坐标系。拓扑感知问"RF 场结构发生了什么变化"，需要基线相干图（从静态测量自标定）、图算法（最小割、谱分解）与足够链路密度；不需要传播模型、不需要知道节点坐标（只需连通性）、不需要外部坐标系、不需要指纹库。

7.3 拓扑感知的五项优势

1. 模型无关：RSSI 三角定位依赖RSSI(d) = RSSI(d_0) - 10n·log₁₀(d/d_0)中的路径损耗指数 n（自由空间约 1.6，杂乱室内 4+，且随环境、湿度、家具布置变化）。拓扑感知只用相对基线的相干性比值，避开模型依赖。
2. 自标定：基线图 G_0 从静态（无人）环境学习；环境改变（搬家具）时基线自动更新，无需 war-driving 或指纹采集。
3. 优雅退化：位置估计在几何模型错误时灾难性失败（如 NLOS 偏差导致米级误差）；拓扑感知退化是渐进的——功能链路减少只降低空间分辨率，不会产生虚假定位。
4. 隐私保护：输出是"存在边界"以及"它分隔哪些节点"，而不是"人站在哪里"。这种定性、结构性输出天然保护隐私，同时支持在场检测、房间分割等应用。
5. 天然多目标：多目标位置估计需要数据关联；拓扑感知中每个目标各产生一个相干下陷区，k-way 最小割或层次分解同时揭示所有边界。

7.4 局限

1. 空间分辨率粗：16 节点下拓扑分辨率限于区分至少相隔一条链路的区域，子米级精确定位靠纯拓扑不可达（可与经典方法叠加增强）；
2. 割解释有歧义：最小割指出边界但不直接指明哪一侧含扰动源，需要额外启发式（比较割两侧体积、用时间顺序等）；
3. 对图密度敏感：稀疏图可能有与物理扰动无关的平凡最小割。网格必须足够稠密，使"自然"最小割（无扰动时）容量高，扰动诱发的割才能凸显。

7.5 混合方案

实践系统可分层：① 拓扑感知（min-cut）做粗边界检测与多目标分割；② 在每个拓扑区域内用 CSI 方法（AoA、ToF 或学习型模型）做精细定位；③ 用拓扑边界约束定位搜索空间，降低计算成本、提升精度。这类似人类感知系统：先检测"有东西"（拓扑变化），再解析其精确位置（聚焦注意）。

8. 开放研究问题

文档列出九个方向，摘其要点：

1. 最优节点摆放：给定房间几何与 n 个节点，何种摆位最大化拓扑分辨率（用图论目标函数——如最大化可达到的不同最小割划分数——而非几何 DOP）？猜想：规则多边形摆位次优，最优解应最大化基线图 Fiedler 值并保证不同扰动位置产生不同谱签名。
2. 扰动谱指纹：拉普拉斯全谱 λ_1..λ_n 能否作为扰动类型的指纹（站立 vs 行走 vs 家具 vs 开门）？例如静立主要影响 λ_2，行走产生时变谱签名，开门只影响门附近边对应的特征值子集。
3. 信息论极限：n 节点、m = O(n²) 边、每边 b bit 相干信息，总信息 O(n²·b) bit/帧，可分辨拓扑状态至多 2^{O(n²b)}，实际受物理相关结构约束。
4. 对抗鲁棒性：知晓节点位置的对手能否构造 RF 扰动操纵最小割产生假拓扑？需分析哪些边权修改会改变最小割划分（图的"关键边"）。文档特别指出这与 RuView 中 RuvSense 的adversarial模块相关——几何上不可能的信号模式（如菲涅尔区被检测扰动区域几何屏蔽的链路出现相干性骤降）可能指示对抗操纵。这一点在仓库源码中得到印证：ruvsense/mod.rs 中pub mod adversarial正是 ADR-030 列出的 RuvSense 感知层模块之一。
5. 轨迹重建：划分时间序列 {(S(t), S̄(t))} 能否反演为连续轨迹？核心难点是拓扑混叠——不同物理位置可产生同一划分。
6. 多分辨率分解：Gomory-Hu 树天然给出层次——树中最小权边是全局最小割（最粗划分），移除后在各子树中再找最小得 3-way 划分，如此递推，可能对应空间分辨率层级。
7. GNN 学习拓扑特征：GCN/GAT 在相干图上学习的节点嵌入能否超越手工最小割/谱方法，尤其在复杂多人场景？
8. 非欧 RF 拓扑：强 NLOS 多房间环境下相干图可能具非平凡亏格或双曲结构，谱方法收敛性与 Cheeger 常数的物理含义都会改变。
9. 最小割稳定性与相变：扰动增强时最小割是否存在从"弥散割"（分散于许多边）到"集中割"（少数极低权边）的相变？类似渗流理论的连通性相变，理解它有助于检测阈值选择。

9. 理论在 RuView 源码中的落点

RD-001 是研究文档（状态 Draft），其工程对应物位于仓库 v2 Rust 工作区。以下映射可直接查阅验证：

• RuvSense 多站感知管线（ADR-029）：wifi-densepose-signal/src/ruvsense/mod.rs 定义了六阶段管线（多带融合 → 相位对齐 → 多站融合 → 相干打分 → 相干门控 → 姿态跟踪），按 50 ms TDMA 周期（20 Hz 输出）融合多节点、多信道 CSI；模块头注释明确ruvector-mincut用于人员分离与轨迹分配、ruvector-attn-mincut用于跨节点谱图融合——即本文第 3、4 节所述图算法在感知栈中的具体角色。
• 相干性边权实现：coherence.rs 的加权高斯似然打分、EMA 参考模板与 DriftProfile 漂移分类（Stable/Linear/StepChange），是 2.3 节边权理论与 4.3 节"环境变化基线自动更新"思想的代码化。
• 最小割的直接应用：wifi-densepose-ruvector/src/signal/subcarrier.rs 中mincut_subcarrier_partition用ruvector_mincut::MinCutBuilder（精确模式）+DynamicMinCut把子载波按敏感性相似度切分为"敏感/不敏感"两组——边权取敏感性差值的倒数，并引入虚拟源/汇节点使图连通、让割自然二分。这是"最小割作为结构切分工具"在子载波选择上的实例，与文档"最小割揭示结构边界"的核心命题一致。
• ADR-017 集成地图：wifi-densepose-ruvector/src/lib.rs 的模块文档列出七个集成点中signal/subcarrier → ruvector-mincut（图最小割子载波划分）、signal/spectrogram → ruvector-attn-mincut（注意力门控谱图去噪）等映射，说明图最小割在该管线中是模块化、可替换的基础组件。

需要说明的边界：RD-001 属于研究性文档（Draft），上述 crate 提供了相关算法组件与管线骨架；"16 节点全网格 + Stoer-Wagner 全局最小割"的完整端到端实现进度，应参照同系列 10-system-architecture-prototype.md 及 研究索引 中的三阶段原型计划来判断。

10. 小结

RD-001 建立了 RF 拓扑感知的严格数学地基，核心贡献可归纳为六点：① 以 CSI 相干性为边权把 ESP32 网格形式化为加权图 G = (V, E, w)，把扰动检测定义为最小割问题；② 算法选型——Stoer-Wagner 求全局最小割（确定性、n=16 下微秒级）、Karger 分析割稳定性、Gomory-Hu 树支持全对查询；③ 谱刻画——Fiedler 值作为拓扑变化的实时指标，Cheeger 不等式给出割质量理论保证；④ 动态算法——增量/递减维护、特征值扰动理论 O(1) 更新、与 TDM 调度对齐的批量处理；⑤ 根本性区分——拓扑感知（图结构的边界检测）与位置估计（RSSI/CSI 定位）是两类问题，前者以牺牲空间分辨率为代价换取模型无关、自标定、隐私保护；⑥ 九个开放问题覆盖最优摆位、谱指纹、信息论极限、对抗鲁棒性、轨迹重建、多分辨率分解、GNN 集成、非欧拓扑与相变。对想在 RuView 中深入这条技术线的读者，建议从本文的数学框架出发，依次阅读 02-csi-edge-weight-computation.md（边权计算细节）、05-sublinear-mincut-algorithms.md（亚线性最小割与 Rust 实现讨论）和 10-system-architecture-prototype.md（端到端管线与原型设计），并对照v2/crates/wifi-densepose-signal与v2/crates/wifi-densepose-ruvector两个 crate 的实际代码。

【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