企业官网建设流程全解析

RuView 跨房间 CSI 重识别（R3）：AETHER 对比嵌入与 MERIDIAN 环境消解的仿真验证及隐私边界

【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

本文是 RuView 研究循环（sota-2026-05-22）中 R3 专题的完整技术解析：核心问题是"同一套 WiFi CSI 对比嵌入（AETHER，ADR-024）能否跨房间识别同一个人"。文章从嵌入的person + env + noise分解模型出发，给出可在仓库内复现的 NumPy 仿真（10 名受试者、3 个房间、128 维嵌入），展示 MERIDIAN 式环境质心消解如何把跨房间 1-shot 识别率从 70% 恢复到 100%，并完整覆盖后续 R3.1（原始 CSI 层失败）、R3.2（嵌入层结构验证）两个实验的结论、四条隐私硬约束以及"物理先验预测环境签名"的未实现研究方向。读者读完可掌握：跨房间 re-ID 的问题建模、仿真脚本参数与结果复现、环境消解为何有效、以及该能力在 RuView 中的可用与不可用边界。

问题：同一人能否在另一间房被认出来

AETHER（ADR-024）通过 CsiToPoseTransformer 骨干 + 2 层 MLP 投影头，把 CSI 帧映射到 128 维 L2 归一化对比嵌入空间，在 MM-Fi 上达到~95% 的同房间内 1-shot 重识别。R3 提出的问题很直接：

同一套嵌入，能否在另一间房识别出同一个人？

这个问题有两个答案——一个技术性的，一个伦理性的——R3 对两者同等严肃对待。技术上，跨房间会遭遇环境签名位移；伦理上，跨房间重识别恰好是把"让 RuView 在卧室里叫出你名字"的能力变成"跟踪整栋楼每个人行踪"的能力。因此本文的结论体系由"仿真结果"与"隐私边界"共同构成。

嵌入分解模型：person + env + noise

R3 把任意一帧 CSI 的嵌入近似建模为三部分线性叠加：

embedding = person_signature + environment_signature + noise

• person_signature：人体对多径场的扰动，与个体体型、动作、RF 特征相关；
• environment_signature：多径几何、AP 摆放、家具、墙体共同决定的静态分量。它在同一个（房间, 天线位置）组合下恒定，换房间时变化量为O(1)，经验上远大于个体签名自身的波动；
• noise：接收机热噪声等残差。

"环境变化量大于个体差异量"这一结构，正是 ADR-027 MERIDIAN（Multi-Environment Robust Inference via Domain-Invariant Alignment Networks）要解决的核心问题——MERIDIAN 的 DomainFactorizer 把隐表示显式分解为与环境无关的 pose 路径（h_pose）与环境专属路径（h_env），并用梯度反转层（GRL）迫使h_pose丢弃房间信息。

仿真脚本与参数

仓库中的 r3_crossroom_reid.py 用纯 NumPy（无任何 ML 依赖）实现了这一问题的物理现实化仿真。关键参数：

生成逻辑（generate_synthetic_embeddings）：person_sigs = N(0, 0.35²)、env_sigs = N(0, 1.5²)，每个样本embedding = person_sigs[s] + env_sigs[r] + noise。实测签名范数比（见 r3_reid_results.json）：person_norm_avg = 3.89，environment_norm_avg = 18.14，env/person 比值 = 4.66×——这正是"环境变化压过个体差异"的量化证据。

运行方式：

python examples/research-sota/05-cross-room-reid/r3_crossroom_reid.py \ --out examples/research-sota/05-cross-room-reid/r3_reid_results.json

脚本输出 5 组指标：同房间基线、跨房间原始余弦 K-NN、跨房间 MERIDIAN 100% 消解、跨房间 MERIDIAN 70% 消解、以及随机概率下限，并以 JSON 落盘便于回归对比。

仿真结果与三个关键观察

三个观察：

1. 余弦 K-NN 部分缓解了环境位移：70% 远高于 10% 随机水平。原因在于幅度归一化把加性的环境分量作为"方向"移除了一部分；剩余的 30 pp 差距来自环境位移在高维空间中对聚类的整体旋转。
2. 显式 MERIDIAN 式环境消解（按房间质心去除）补上了剩余差距：仿真表明即使只有70% 有效消解（对应有限标注样本的现实情况）也足以完全恢复。
3. 同房间基线是攻击者掌握的底线，而不是系统需要的底线：让用户获得"RuView 在本房间内按名字问候你"的同一个原语，也让攻击者获得"这个人穿过了 5 个不同房间，我们跟踪到了他"的能力。

在代码层面，MERIDIAN 消解就是两步：先对训练房间（room 0）所有受试者的嵌入求均值作为train_centroid，再对每个查询房间分别求均值作为query_centroid，然后各自减去对应质心再做余弦 K-NN。70% 部分消解则把减去的质心乘以partial_strength = 0.7——这正是现实场景下"环境签名只能从有限标注样本中估计、无法完美恢复"的建模。

为什么环境消解有效（MERIDIAN 的原理）

ADR-027 的核心思想是：从新房间的带标注样本中估计environment_signature并减掉它。估计器成立依赖三个条件：

1. 所有人在房间均值中的贡献近似相等（要求训练数据分布均衡）；
2. 人群层面的个体签名是零均值的——嵌入只有在相对意义上才有意义；
3. 因此mean(embeddings in room R) ≈ environment_signature[R]。

减去每房间质心后得到embedding_clean ≈ person_signature + noise，即与房间无关的个体签名。ADR-027 在完整架构上给出的更强版本是：通过 DomainFactorizer + 梯度反转层在训练期就显式强迫h_pose与环境无关，并通过VirtualDomainAugmentor（房间尺度 0.5–2.0×、反射系数 0.3–0.9、0–5 个虚拟散射体）生成虚拟域来扩大训练环境多样性——仿真中的"质心减法"正是这套机制在推理期的最简近似。

代价（trade-off）：MERIDIAN 需要新房间内的带标注（或至少可聚类）样本来估计质心。对从未观测过的房间做纯零样本迁移要困难得多——没有任何锚点，就无法稳健地区分"新房间里的 A"与"旧房间里的 B"。

物理先验：另一个杠杆（未实现的研究方向）

R6（Fresnel 前向模型，见 R6-fresnel-forward-model.md）告诉我们env_sig在嵌入中"住"在哪里：它来自多径/反射体几何的贡献。一个 5 m 卧室通常有 4–6 个主导反射体位置，env_sig是这些位置的函数。

如果能够用前向模型（R6 的 A 矩阵）+ 房间粗略地图直接预测env_sig，就不再需要标注样本——这就是比"统计估计"更高一层的方案：物理先验驱动的域不变性（physics-informed domain invariance）。R3 明确标注：该方案尚未实现，它是 AETHER + MERIDIAN 这条研究线正确的下一步。后续工作（R3.1、R3.2）对该方向做了部分验证，见下文。

后续实验验证：R3.1 与 R3.2

仓库的 05-cross-room-reid/README.md 把 R3 专题组织为三个 tick，其中两个后续实验直接决定物理先验方案的可行性：

R3.1：原始 CSI 层失败（架构错误型负结果）

R3_1-physics-informed-env-prediction.md 实现"用 R6.1 多散射体前向算子 + 房间地图预测 env_sig 并从原始 CSI（52 维复数）中减去"的方案，结论是：所有跨房间方法（包括带标注的 MERIDIAN 最优参照）全部塌缩到 10% 随机水平。

根因：原始 CSI 层每个房间内每人有 3 个位置，每个位置有独立复数签名，房间内位置方差超过了房间间个体方差；减去单一房间质心只移除了位置均值而非方差。这个负结果的分类学价值在于：它属于"架构错误型负结果"（正确想法、错误应用层级），区别于 R13 接触式血压的"物理下限型"永久负结果。它直接给出了修正架构：

raw CSI → AETHER embedding head（位置不变） → physics-informed env 消解 → 跨房间 K-NN

R3.2：嵌入层物理先验的结构验证

R3_2-embedding-level-physics-env.md 把同样的物理先验消解移到嵌入层（用逐人逐房间的位置均值池化模拟 AETHER 的位置不变性），得到混合结论：

结构验证成立：零标注的物理先验 + 残差修正匹配了带标注最优参照；但该参照本身只有 20%，原因是均值池化替身缺乏 AETHER 对比学习的强个体签名（仅 0.85–1.15× 体型变化）。这印证了 ADR-024 处于跨房间 re-ID 的关键路径上：真实 AETHER 头 + 该协议预计可达到 70–90%+，但该实验在 12 小时合成循环内未执行。

隐私框架：伦理答案

跨房间重识别是比人脸识别更强的监控原语，原因有四：WiFi 穿透墙体（无需视线）、re-ID 无需受试者配合（无需"看镜头"）、信号不可见（无光、无可见信号）、生物特征是身体的 RF 签名而非可移除配件。

R14（empathic appliances，R14-empathic-appliances.md）的伦理框架（默认 opt-in、数据留在设备端、一键撤销）在此适用，但跨房间 re-ID 需要额外四条硬约束：

1. 禁止跨安装链接（No cross-installation linkage）：只允许单安装内的嵌入空间。两栋楼的两套 RuView 安装不得共享嵌入空间；
2. 嵌入存储必须显式 opt-in：存储人员嵌入即持久化生物特征，多数监管制度将其视为需更高同意强度的生物数据（GDPR Art 9、BIPA）；
3. 遗忘必须密码学可验证（Cryptographically verifiable forgetting）：用户要求删除时，嵌入必须被密码学销毁，而非仅去除标签——"未标注嵌入"仍可被未来链接利用；
4. 禁止跨法律实体 re-ID：分属不同实体的 A 楼与 B 楼不得交换嵌入，数据流边界应硬隔离。

在工程落地层面，ADR-107（cross-installation federation） 的 Layer 5（每安装的嵌入空间旋转密钥）在技术上强制执行上述约束；ADR-106（DP-SGD 与基元隔离） 则把原始基元保持在设备端。

这些约束使某些用例被有意排除（例如"自动全局生物识别 ID"——这正是设计目的），同时使另一些与用户高度一致的用例成立（例如"记住哪个家庭成员在哪间房"）。

该能力开启了什么

1. 单安装内个性化（Per-installation personalisation）：R14 的共情电器在 MERIDIAN 式环境消解后获得逐人校准（V1 照明 / V2 HVAC / V3 注意力尊重）；
2. 异常检测（Anomaly detection）："有人走进了这间房，但不在家庭嵌入集合中" → 无需人脸识别的家庭安防原语。这与 ADR-024 的temporal_baselineHNSW 索引异常检测（距离阈值 0.3、连续 5 帧触发）形成互补；
3. 姿态数据关联（Pose-data-association）：同房间多人姿态跟踪可用嵌入在遮挡期间维持身份一致性——对应 ADR-024 的person_trackHNSW 索引（余弦距离、每确认检测更新）。

该能力（正确地）不开启什么

1. 跨楼宇跟踪
2. 跨法律实体 re-ID
3. 长期未标注生物特征存储
4. 未观测房间的零样本迁移（在物理先验扩展落地之前）

诚实范围与已知局限

• 仿真采用加性person + env + noise分解。真实 CSI 在多径域存在乘性环境效应——环境会以子载波特定方式调制个体签名幅度；更真实的前向模型应在每个子载波时隙上把传递函数与个体签名相乘，这会显著加大环境消解的难度（不只是减法）；
• 70% 的跨房间原始余弦 K-NN 数字高度依赖 env/person 尺度比：env 放大 10×（如卧室跨到多径差异极大的厨房）时原始余弦进一步下降；env 缩小 2×（房间高度相似）时几乎不下降；而 MERIDIAN 消解对差距的弥合表现稳健；
• 未仿真攻击者主动操纵环境信号以破坏跟踪的对抗场景，该问题需要 R7（multilink consistency，R7-multilink-consistency.md）的跨链路一致性机制介入。

与其它研究线的连接

• R5（子载波显著性，R5-subcarrier-saliency.md）：同房间显著性画像同时包含人与环境成分；跨房间迁移需要找出仅人物的显著性，这是 ADR-024 对比学习部分解决的开放问题；
• R6（Fresnel，R6-fresnel-forward-model.md）：缺失的拼图——从房间模型做物理先验 env_sig 预测，尚未构建（R3.2 已完成部分结构验证）；
• R7（mincut 对抗）：跨房间 re-ID 是对抗欺骗风险最高的表面；若系统被诱骗成"认为 B 在 A 房"，即是安全事件，R7 的多链路一致性是防御手段；
• R9（RSSI 指纹 K-NN，R9-rssi-fingerprint-knn.md）：已表明仅 RSSI 在同房间内就保留弱位置签名；RSSI 的跨房间迁移比全 CSI 更差，但 env/person 分解仍然适用；
• R14（共情电器）/ R15（RF 生物特征基元，R15-rf-biometric-primitives.md）：R14 的四条隐私约束 + R3 的四条跨安装约束共同构成绑定规范；R15 的 12–15 bit 个体 RF 特征为真实 AETHER 提供更强的个体签名来源。

后续研究清单（R3 follow-ups）

1. 物理先验 env_sig 预测：用 R6 前向算子 + 粗略房间地图实现零样本跨房间迁移（R3.2 已给出结构验证与实验协议，待真实 AETHER 头落地）；
2. 遮挡下的多人 re-ID：同房间两人、各自身影断续可见，Kalman + AETHER 管线能否连续维持身份；
3. 密码学遗忘协议：如何向看不到硬盘的监管者证明嵌入已被删除——本轮循环范围外，但是真实的研究问题。

核心参考

• 研究笔记：R3-crossroom-reid.md、R3_1-physics-informed-env-prediction.md、R3_2-embedding-level-physics-env.md
• 仿真与结果：r3_crossroom_reid.py、r3_reid_results.json、05-cross-room-reid/README.md
• 架构依据：ADR-024（AETHER 对比嵌入）、ADR-027（MERIDIAN 跨环境泛化）、ADR-106（DP-SGD 与基元隔离）、ADR-107（跨安装联邦）
• 关联研究线：R5、R6、R7、R9、R14、R15（见上文链接）

【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