单链路WiFi被动人体追踪：Widar2.0的CSI比值模型与BVP速度轮廓解析

Paper Reading系列的第一篇，我选了Widar2.0。做这个决定没有犹豫：在WiFi感知这条技术路线上，这篇工作几乎是所有后来者绕不开的里程碑。它的目标一句话就能讲明白——只用一条Wi-Fi链路，也就是一台发射机加一台接收机，在目标人不携带任何设备的前提下，利用人体对WiFi信号的反射，把他在室内的行走轨迹实时画出来。不是判断"有没有人"，而是输出一条连续的二维轨迹，论文汇报的中位误差做到了亚米级。对于做无线感知、CSI信号处理、室内定位相关工作的朋友，这篇是必读；对于刚入门的同学，它也像一个"单链路物理极限在哪"的参照系。下面这篇笔记不打算照抄论文章节，而是按我自己的理解，把最核心的三块技术拆开讲清楚：CSI比值模型、多普勒MUSIC与身体速度轮廓（BVP）、以及从速度估计到轨迹恢复的完整链路。

1. 为什么第一轮Paper Reading要从Widar2.0开始

1.1 它解决的是一个"不好卖"但相当要命的问题

室内人员跟踪这件事，说大不大，说小不小。摄像头方案依赖光照且天然有隐私争议，毫米波雷达成本高、对部署位置敏感，让用户戴标签或者拿手机又不算"被动感知"。WiFi的吸引力在于：基础设施早就铺好了，信号穿墙，不用额外供电，被测人也完全没有感知。但把WiFi信号变成位置，远比想象中难。早期基于RSSI的方案精度只能到米级甚至更差，后来的研究转向CSI——信道状态信息，每个子载波都有独立的幅度和相位，信息量一下子大了好几个量级。

不过大多数CSI定位工作都默认需要一个前提：多个WiFi链路同时观测。因为单条链路上，你最多知道目标距离这条链路在某一个几何关系上的投影，而二维坐标至少需要两个约束。前代的Widar系统走的就是这条路，用三条链路各自提取多普勒速度，再交叉得到位置。而Widar2.0这篇工作最抓人的地方就是：它把链路数砍到一条，精度不仅没掉，还做到了亚米级。这在当时是一个相当反直觉的结论。

1.2 这篇论文适合谁读，以及你需要的最低配置

如果你刚开始接触无线感知，我的建议是先补三样东西：CSI到底是什么、多普勒频移是怎么产生的、以及最基础的谱估计概念（FFT和相关性）。有这三样，读Widar2.0的大部分推导不会太吃力。至于MUSIC这类子空间方法，论文里用得很克制，理解其"超分辨"直觉就够了，不一定要从头推矩阵分解。

如果你是做系统的人，这篇文章的工程价值同样不少：它证明了商用WiFi网卡、Linux下开源采集工具、几个简单的信号处理模块，就能搭出一套能跑的人体追踪原型。我读完最大的感受是，这篇论文没有堆砌花哨的深度学习模块，全靠物理模型和精巧的信号处理把性能顶上去——这种"拧螺丝"式的系统论文，今天读起来反而比很多刷榜的神经网络工作更耐看。

2. 单链路被动跟踪：难点到底在哪个环节

2.1 多链路方案为什么让人又爱又恨

多链路方案思路直接：三台接收机分布在房间不同位置，人走动时每条链路都产生多普勒频移，把三个方向上的速度分量测出来，交汇就是位置。原理清晰，实现也不算复杂，但落地时全是坑。首先是部署，一个房间摆三四个节点，供电、摆放、遮挡都要考虑；其次是同步，不同网卡之间时钟不同步，相位处理很容易被噪声淹没；最后是稳定性，某条链路信号弱了或者被家具挡住，整个交汇结果就废了。

Widar2.0想回答的问题是：如果只有一条链路，物理上还有没有足够信息恢复二维轨迹？答案是有的，但要看你敢不敢把"人体"当成一个分布式目标来处理，而不是一个质点。

2.2 一条链路上到底能挤出什么物理量

单条链路能拿到的原始量就三个：幅度、相位、以及多个天线之间的相对相位差。幅度受环境反射影响太大，不够稳；单天线相位又因为收发时钟不同步，在包间随机跳变，不能直接用。真正有价值的可观测物理量有两个——多普勒频移和到达角（AoA）。

多普勒频移本质上是相位随时间的旋转速率：人体移动导致反射路径长度变化，路径长度每变化一个波长，相位就转一圈。AoA可以用接收端的两根天线做干涉测量，给出一条反射路径的来波方向。有意思的是，这两个量不是独立的：多普勒大小取决于人的速度在特定方向上的投影，而这个投影方向和AoA、以及收发端的几何位置绑定在一起。所以理论上，从一对（多普勒，AoA）里可以反解出人的速度向量。Widar2.0的整个算法链，本质上是把这条反解路径做扎实了。

难点在于，反射信号太弱了。人体反射的路径比直射路径弱二三十个分贝，淹没在静态分量里；商用WiFi的相位随机跳变又远大于你要测的相位旋转。所以论文的第一步，必须先解决"怎么把干净的相位变化提出来"。

3. 关键预处理：CSI比值模型如何把随机相位"洗"干净

3.1 原始CSI相位为什么不能直接用

先把信号模型摆出来。接收端拿到的CSI可以写成两部分的叠加：静态分量，包含直射路径和墙壁、家具上的静态反射，它随时间基本不变；动态分量，来自人身上各个散射点，随着人体运动，路径长度不断变化，所以这一项带有一个随时间旋转的相位，旋转速率就是多普勒频移。

理想情况下，我们只需要观测动态分量的相位旋转。问题在于，商用WiFi网卡给出的CSI相位里混着一堆莫名其妙的项：载波频率偏移（CFO）、采样频率偏移（SFO）、包检测时延（PDD），每一项都会在包与包之间随机抖动。这些抖动叠加起来，相位噪声的幅度远大于多普勒引起的相位旋转，直接看原始相位曲线，基本就是一团乱麻。

3.2 比值而不是差值：一次"共模对消"

Widar2.0的处理办法干净利落：接收端用两根天线，取两个CSI的比值。关键原因是，两根天线共用同一个射频前端、同一个本振，那些随机的CFO、SFO、PDD相位项在两根天线上是共同出现的。做除法之后，共模误差精确抵消，剩下的比值只反映两条信道响应本身的相对关系。

比值模型在复平面上有一个非常漂亮的几何解释：当人移动时，动态分量绕静态分量旋转，比值的轨迹画出来是一个圆弧。圆弧旋转的角速度，恰好就是多普勒频移。换句话说，原本作为干扰的强静态路径，在这里变成了一个天然的"本振"，把微弱的动态反射信号通过混频效应搬移到了可观测的频段。这就像收音机里的超外差结构：载波信号虽然强，但有用的调制信息正是通过与本地振荡器混频才解出来的。

提示：如果你后面要复现这段，记住比值模型的前提条件是两个天线的静态分量有可比性。如果其中一根天线被遮挡到几乎收不到直射信号，圆弧会退化，多普勒峰值也就跟着糊掉。

3.3 这个模型为什么能成为后续工作的"标准件"

我觉得CSI比值模型是整篇论文里最值得"偷走"的模块。它的前提条件很宽松：接收端双天线、收发端不需要同步、不需要额外校准。后来的很多工作——呼吸检测、心率估计、手势识别、人群计数——都直接沿用了这个预处理模块。可以说Widar2.0不只是做了一个追踪系统，它还顺带定义了一种通用的CSI相位清理范式。在读这篇论文之前，我一直以为CSI相位是废的；读完才明白，相位不是废，是缺一个正确的参考系。

4. 多普勒谱的净化与身体速度轮廓：BVP如何成为"方向指纹"

4.1 为什么短时FFT不够，要上MUSIC

拿到干净的比值序列后，下一步是对一个短时间窗求多普勒谱。时间窗不能太长，因为人体运动是非平稳的，窗太长会把不同的速度糊在一起；但窗短了，FFT的频率分辨率又不够——分辨率大概是1/窗长，一个200毫秒的窗对应的频率分辨率只有5赫兹，换算成速度分辨率，在5GHz频段大约是每秒零点几米，根本不够用。

所以论文用了MUSIC算法做超分辨谱估计。MUSIC的思路本质上是对信号自相关矩阵做特征分解，把空间分成信号子空间和噪声子空间，然后用噪声子空间的正交性去扫描频率，得到一个尖锐的谱峰。更重要的是，Widar2.0的"多普勒MUSIC"把多普勒和到达角放在一起，做一个二维网格搜索，同时估计出能量峰在（多普勒，AoA）这个二维平面上的位置。这一步从工程角度看很重，但从原理上理解很简单：它把原本在频谱上重叠的多条反射路径，在角度维度上分开来。

4.2 BVP到底是什么：人体不是质点，而是一团速度云

走路的时候，人体不是一个点。躯干以行走速度整体平移，手臂和腿做周期摆动，各个散射点的瞬时速度完全不同。每个散射点对WiFi信号产生一个多普勒贡献，贡献大小取决于该点速度在链路几何方向上的投影。如果把一个时间窗内所有散射点的（多普勒，AoA）能量峰收集起来，再变换到速度域，你会得到一张能量分布图——横纵轴是速度向量的两个分量，颜色深浅代表这个速度分量有多强。这就是BVP，Body Velocity Profile，身体速度轮廓。

BVP最有价值的地方在于它的形状和人的行走方向强相关。朝链路方向走，躯干的多普勒投影最大，能量峰集中在高速区；横着走，投影接近零，能量峰塌到低频区；斜着走，还会出现左右不对称的展宽。可以说，BVP把"人往哪个方向走"这个信息，编码成了一张可匹配的二维模式。

4.3 离线模板与在线匹配的工程细节

论文采用的是一种典型的指纹匹配流程。离线阶段，在目标环境里让人沿着若干已知方向行走，例如每15度一个方向，共24个方向，每个方向采集并保存一条BVP模板。在线阶段，把当前时间窗计算出的BVP和模板库做匹配，得出最可能的行走方向。速度则从躯干对应的主导多普勒峰反推——多普勒频率等于行走速度乘以几何投影系数，系数由AoA和收发端坐标算出。

这个设计其实很有工程巧思：它把"方向估计"降维成了一个模板匹配问题，避免了复杂的多普勒几何解算。代价是需要在新环境做一次标定采集，这个我们在后面讨论局限时再说。

5. 从一系列速度估计到一条干净轨迹

5.1 为什么不能直接把速度积分成轨迹

既然每个时间窗都能估计出速度向量，貌似直接把速度乘上时间间隔累加就行了。实际做起来会一塌糊涂，原因有三个：初始位置未知——WiFi感知只能测速度相对变化，测不出绝对坐标；方向歧义——在链路几何下，速度向量的某些镜像配置会产生几乎相同的（多普勒，AoA）观测；积分漂移——速度估计有噪声，误差会随着积分不断积累，走几步就飘出房间了。

所以论文把轨迹恢复当成一个序列决策问题来处理，而不是单纯的数值积分。我记得的核心思路是：枚举若干可能的初始状态，在候选轨迹集合上施加连续性约束和先验知识，最后选出一条最自洽的轨迹。形式上非常像一个在候选状态网格上的隐马尔可夫解码，动态规划在这里承担了主要的搜索任务。

5.2 时间连续性如何消解空间歧义

单看一个时间窗，左右镜像的速度估计无法区分。但人走路是连续的：相邻时间窗的速度变化不会突变，尤其是方向角，走直线时基本不变，转弯时平缓过渡。利用这个连续性，窗口之间的模糊模糊自然就消掉了——如果上一帧选的是右侧解，这一帧强行选左侧解，会导致一个不自然的急转弯，连续性得分就会惩罚它。所以很多看似困难的方向歧义问题，在序列层面上根本不成立。这也是我对这个系统最服气的地方：它没有试图在单帧内解决所有歧义，而是把时间维度当成一个隐式的消歧工具。

5.3 计算量与实时性的权衡

二维MUSIC的网格搜索在计算上不便宜。论文的做法我记得是把可搜索的（多普勒，AoA）网格事先定好，配合预计算的矩阵分解，在线阶段每个时间窗的开销被压到可接受范围。如果你想复现并做实时系统，这块大概率是第一个性能瓶颈。一个务实的做法是降低到达角方向的网格密度，毕竟AoA的物理分辨率受天线间距限制，扫得再密也提不了真实分辨率。

6. 实验效果与边界条件

6.1 我记忆里的实验配置（具体参数请以原文为准）

论文的实验用的是典型的商用WiFi网卡接收方案：发射端一台笔记本，接收端一台笔记本配三根天线，工作在5GHz频段、802.11n协议。追踪区域是普通的室内环境，包含直视（LOS）和非直视（NLOS）两种场景，地面真值我记得是通过摄像头式动捕系统标定的。需要强调一下，"单链路"指的是单条发射-接收链路，接收端仍然保有多根天线，这并不违背论文的核心卖点——毕竟目前随便一个商用AP都至少有两根天线。

6.2 精度数字与对比

如果我没记错，论文报告的中位跟踪误差在0.7米上下，90分位大约在1.5米左右。这个数字放在今天看也许不算惊艳，但放在当时的环境下很能说明问题：前代Widar要三条链路才能达到的精度，Widar2.0用一条链路就拿到了。论文里还有不少对比实验，包括不同行走路线、不同房间、LOS/NLOS切换，这里不一一列举。

下面这张类比表格是我自己整理的，用来理解不同方案的本质差异：

6.3 它的边界：哪些场景会露馅

第一，人必须保持正常步态的行走。站立不动、原地踏步、爬行这类低速非周期运动，多普勒信息太弱，BVP匹配基本失效。这也决定了Widar2.0定位在"追踪"而不是"存在感知"。第二，只支持单人。两个人的BVP在速度域叠加在一起，模板匹配会直接错乱，后续第三代系统才把多目标问题捡起来做。第三，存在多普勒盲区。移动方向恰好垂直于链路角平分线时，速度投影趋近于零，速度估计的置信度会明显下降，轨迹在那一片区域会抖动。第四，依赖环境离线标定。搬动家具、改变房间布局后，静态分量变了，BVP模板需要重新采集，这是所有指纹方案的通病。

7. 读完之后：我的实操体会与这条线的后续

7.1 如果要复现，我觉得最容易踩的几个坑

第一个坑在数据采集阶段：发射端和接收端必须保持物理静止。哪怕接收网卡被碰到一毫米，静态分量也会变，比值模型里那个"固定圆心"就不成立了。第二个坑在天线选择上：比值模型需要两根天线同时看到相近强度的静态路径，选天线时最好看一下两个CSI的幅度基线，差异过大就得换一对。第三个坑在时间窗长度：窗太短，MUSIC分辨不出低频成分；窗太长，转弯这种快速变化会被平滑掉。我当时用大概0.3秒的窗长试下来效果不错，但最优值还得根据你的具体场景调。第四个坑是离线模板的采集质量：采集时要匀速直线走，不要刻意放慢或者边走边停，否则模板里会混入异常速度分布，匹配时反而干扰方向判断。

如果一开始就在真实房间里连续走各种复杂路径调试，出了问题很难定位是预处理、谱估计还是匹配环节的锅。更稳妥的做法是先在可控场景里复现论文的最简实验——让目标在链路正前方沿已知方向直线往返，把每一步的中间输出（比值相位、多普勒谱、BVP）全部打印出来检查。哪一步和理论对不上，就在哪一步修。

7.2 从这篇往后看：一条研究路线的延伸

Widar2.0的影响不止于追踪本身。它建立的"速度轮廓"这一中间表示，后来被广泛挪用到了WiFi手势识别、身份识别等方向——本质上都是让人体运动在速度域留下可区分的痕迹。它的Ratio模型更是成了WiFi感知社区的一种标准预处理模块。再往后，同一系列的后续工作把研究对象从单目标扩展到多人、从走路扩展到细粒度手势，还引入了跨环境泛化的问题，但细看的话，核心模块还是当年那套"相位清理+高分辨谱估计+模式匹配"的组合。

我觉得这篇论文最值得学习的地方，不是某一个算法的精度数字，而是它看问题的角度：不要把被追踪者当成一个点目标去"定位"，而是把他当成一个持续产生速度信号的一团散射体，先恢复速度场，再通过积分和约束把轨迹找回来。这个"先测速度再定位置"的框架，比直接用深度学习做端到端回归要有解释力得多。

7.3 一个读论文的小建议

最后分享一个我自己用下来的习惯：读这类信号处理系统论文，拿到文章先别急着看实验，花二十分钟把第3章的几何图亲手画一遍——把发射机、接收机、人的散射区域画在纸上，然后自己写出多普勒频率的表达式。画完你就会发现，后面所有算法模块都是为了解决这张图上暴露出来的某一个具体问题。这个过程比通读十遍正文都管用，我也建议你试试。