RuView R10 穿叶野生动物感知：ITU-R P.833-9 物理可行性、链路预算与逐物种步态分类学

RuView R10 穿叶野生动物感知：ITU-R P.833-9 物理可行性、链路预算与逐物种步态分类学

【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 研究仓库中 SOTA Research Loop 的Tick 6（2026-05-22）及其对应的R10 研究笔记，系统讲解"透过植被（through-foliage）感知野生动物"这一 10–20 年远期垂直方向的完整技术论证：从 ITU-R P.833-9 植被衰减模型与 ESP32-S3 链路预算推导有界感知距离，到可被 CSI 运动带通滤波直接消费的逐物种步态频率分类学，再到诚实的范围边界、当前即可落地的能力以及依赖标注数据的下一步。读完本文，你将掌握这套"物理模型 + 链路预算 + DSP 可执行分类学"三件套的完整推导过程、仓库中可运行的复现脚本用法，以及它与其他研究线程（R5/R7/R8/R9）的衔接关系。

1. Tick 6 交付了什么

Tick 6 是 SOTA Research Loop（见 PROGRESS.md）针对R10 线程产出的一个具体里程碑。按ticks/tick-N.md约定提交（该约定用于避免多 agent 并发写 PROGRESS.md 产生竞态），本次交付三样东西：

本 tick 的结论（Verdict）可以概括为三句话：物理可行性成立、逐物种步态分类学已建立、感知距离估计有界且诚实。

2. 10–20 年愿景：为什么用 WiFi CSI 做野生动物监测

传统野生动物保护依赖的数据是"过期且昂贵的"：相机陷阱（camera trap）、粪便 DNA 调查、定点计数（point counts）——这些手段是季节性的、劳动密集型的，且系统性偏向大型旗舰物种。而 2.4/5 GHz 的 WiFi CSI 可以穿透轻到中等密度的植被，并且与人类感知同源的步态频率基元（gait-frequency primitives）可以直接迁移到四足动物：不同的物种有不同步幅频带，DSP 处理方式完全一致。

R10 研究笔记中描述的部署设想是：一台太阳能供电的 ESP32-S3 放在树下防风雨外壳中，7×24 小时被动计数并识别附近动物——零光污染、无闪光、无视觉惊扰。按笔记给出的成本量级：单节点 BOM 约 15 美元、平均功耗约 50 mW，100 节点监测网格的前期投入不到 2 千美元，且运行成本趋近于零。

本文档线程所做的工作，正是任何真实部署之前必须完成的物理可行性检查、逐物种步态分类学与有界诚实的距离估计——不夸大、不假装已经采集过真实野生动物数据。

3. 穿叶传播物理：ITU-R P.833-9 植被衰减模型

植被对无线电波的衰减在模型中表示为：

A_v(d) = A_max · (1 − e^(−γ·d)) · √f

其中A_max是穿过茂密树冠的最大衰减（dB），γ是衰减系数（1/m），√f是频率缩放项（f 以 GHz 计）。研究笔记与源码（r10_foliage_attenuation.py 中的itu_p833_attenuation()）使用三档密度参数化：

源码中明确标注了参数依据：对标 ITU-R P.833-9 Table 1 的夏季落叶林（in-leaf summer deciduous）与仿真研究校准。值得注意的物理细节是频率缩放项√f：频率越高衰减越重，这直接决定了 5 GHz 在植被环境中的劣势（后文数据会印证）。

4. 链路预算：ESP32-S3 的 121 dB 预算与 10 dB DSP 裕量

感知的前提是"信号能回来"。源码中的 esp32_link_budget() 给出了基于 ESP32-S3 数据手册与标准 WiFi 规范的 1×1 SISO 链路预算：

自由空间路径损耗采用标准公式FSPL = 32.45 + 20·log10(f·d)（f 单位 GHz，d 单位 m），即源码中的 fspl_db()。于是最大感知距离就是求解"FSPL + 植被衰减 = 111 dB"时的距离——源码用 60 次迭代的二分搜索完成数值求解（max_sensing_range()，搜索区间 0.1–1000 m）。

5. 有界感知距离：2.4 GHz 稀疏林缘约 100 m 是实用甜点

运行脚本得到（与 r10_foliage_results.json 中max_sensing_range_m字段完全一致）：

关键洞察一：2.4 GHz / 稀疏植被（≈100 m）是实用甜点。它能覆盖森林空地、边缘生境、稀树草原或农田工作区的一大片有意义区域；而 5 GHz 一旦植被变厚，超过 20 m 基本不可用。

关键洞察二：与相机陷阱的对比。典型相机陷阱覆盖约 10 m（PIR 触发范围）。这套方案在稀疏条件下是相机陷阱的10 倍空间覆盖，在中等密度下相当；并且它常开（always-on）而非触发驱动——不会触发 PIR 的慢速动物（熊、树懒）依然会被观测到。

关于距离估计的诚实更正：在 examples/research-sota/08-verticals/README.md 中记录了一项后续修正——R10 的 ~100 m 估计被R6 的 Fresnel 净空（Fresnel-clearance）考量修正为~70 m。也就是说，本文档给出的数值是"纯路径损耗视角"的上界，计入菲涅尔区净空后的实际工程可用距离更低（R6 线程见 R6-fresnel-forward-model.md）。这正是 R10 研究笔记反复强调的"bounded honest range estimates"精神。

6. 逐物种步态频率分类学：可被现有 DSP 直接消费的频带表

R10 的核心贡献之一，是把生物力学文献（Schmitt 2003、Heglund 1988、Gambaryan 1974）给出的标准步幅频率，映射成 CSI 运动带通滤波可以直接瞄准的频带。研究笔记明确指出：现有wifi-densepose-signal::vital_signs用于人类呼吸/心率的 DSP 带通处理，可以原样迁移到这些频带：

源码中的 gait_frequency_band() 将分类学落成可查询的表，并额外细化了 10 个物种条目（含野猪 1.0–2.5 Hz、麋鹿 1.5–3.0 Hz 等，见 r10_foliage_results.json 的species_gait_bands_hz字段）；注释中还给出了上下文基准——人类行走约 1.7 Hz、慢跑约 2.5 Hz。该分类学直接延伸到 R19 牲畜线程（牛 0.6–1.2 Hz、猪 1.0–2.0 Hz 等，见 08-verticals/README.md）。

但频带重叠意味着频率单独不足以作为干净分类器：研究笔记明确说明，需要叠加两个补充信号——

1. 时间模式（temporal pattern）：鹿是 4 拍非对称步态、狼是 4 拍对称、熊是 4 拍交替对；
2. 体型包络（body-size envelope）：大体型 vs 小体型产生不同的多普勒频移幅度。

三者结合，单靠 CSI 做逐物种分类才是"plausible"（有依据的推测，而非已证实）。

7. 分类依赖：标注野生动物 CSI 数据是最大缺口

研究笔记在此处非常坦诚：完整分类需要标注的野生动物 CSI 数据，而这类数据在仓库内和 2026 年已发表的 SOTA 中都不存在。第一步方案是"相机 + ESP32 双采集"（dual capture），部署在已知的野生动物通道上——这与 ADR-079-camera-ground-truth-training.md 确立的配对数据模式完全一致（相机仅在训练期充当教师、部署时无相机依赖），唯一区别是标签来源从 MediaPipe 换成热成像相机。姿态估计基础设施已经存在，只需要换标签。

8. 今天就能做什么：无需物种分类的三项能力

即使不解决物种识别，R10 方案在当前就能落地三项能力（研究笔记明确列出）：

1. 存在 + 计数（Presence + count）：现有cog-person-countv0.0.2 只要在一个通用的"植被中有东西在动"数据集上重训即可工作，无需任何架构改动。
2. 粗略体型分级（Crude size-class）：多普勒频移幅度与"体重 × 步幅速度"相关。三分类（小鼠 / 狐 / 鹿或更大）从现有 56×20 CSI 窗口就能达到，不需要逐物种标签。
3. 活动节律（Activity rhythm）：24 小时周期内的聚合计数可以揭示晨昏型（鹿、狐）vs 夜行型（浣熊）vs 昼行型（松鼠）的种群节律——即使无法识别具体物种也有价值。

9. 诚实范围：这是可行性笔记，不是测量结果

研究笔记用整整两个小节划定边界，这是本文档最值得保留的部分：

本方案不假设成立的事项（Honest scope）：

• 这是可行性笔记，不是测量：尚未用本管线采集过任何真实野生动物数据；距离数值来自 ITU-R 模型假设，而非现场验证。
• 植被模型是 1-D 简化：真实树冠有叶片抖动噪声、树枝摇摆和微气候湿度变化，这些都会叠加到 R12 中测得的"自然漂移"底噪（见 R12-rf-weather-mapping.md 的残余分析讨论）。
• 动物不配合：没有理由认为鹿会在菲涅尔区内沿直线穿过 20 帧窗口；多数观测将是部分轨迹。
• 监管限制：保护区可能不允许 100 mW 连续发射，需要低占空比包络（例如每分钟 1 秒的采集窗口）。

本方案不声称证明的事项（What this DOES NOT prove）：

• 特定物种在野外条件下能仅凭 CSI 被识别；
• 太阳能 + LiPo 能在低光照森林环境维持 7×24 采集；
• wifi-densepose-wifiscan的 BSSID 列表方法在"零 AP 的偏远森林"（即零 RSSI 指纹）中能优雅降级——显然不能：野生动物感知需要的是专用发射信标（dedicated transmitter beacon），而非机会主义的 AP 信号。

10. 垂直应用目录（10–20 年）

Tick 6 与 R10 研究笔记共同列出的垂直应用清单：

• 濒危物种种群普查：对 IUCN 红色名录物种做计数 + 活动节律签名，以低一个数量级的成本替代或增强相机陷阱调查；
• 野生动物廊道验证：沿廊道布设太阳能 ESP32 节点，确认跨境迁徙是否真实发生；
• 入侵物种早期预警：逐物种步态分类器标记新物种在某流域的首次出现；
• 盗猎检测：人类步态（1.2–2.5 Hz）在步态分类学中与野生动物分离良好——一个在"凌晨 2 点的中等森林里出现人类"时告警的节点，就是高精度的反盗猎基础设施；
• 牧场牲畜跟踪：稀疏植被 100 m 距离覆盖典型围栏周长，个体识别复用步态分类学 + HNSW 索引的嵌入库（R9 风格指纹）；
• 农业害虫防治：自动检测粮仓中的小鼠/松鼠种群。

11. 与其他线程的衔接

R10 研究笔记的"Connection back"一节明确了与相邻线程的关系：

12. 线程下一步

研究笔记给出的路线图：

1. 合成步态波形生成：将物种典型步幅模式与现有 CSI 运动带模型做卷积，检验逐物种频率可分离性在模型输出中是否幸存；
2. 后院双采集：相机 + ESP32 对准可见的喂鸟器，做小规模带标签野生动物数据集用于概念验证；
3. "野生动物感知 cog"ADR：复用cog-*打包体系（同 ADR-100 打包规范），不同模型、不同数据、完全相同的部署故事——一旦带标签数据存在，即可发布为cog-wildlife。

13. 复现方式

本文所有数值均可直接复现，无需额外依赖（纯 NumPy）：

# 在仓库根目录执行，输出 JSON 并打印距离表与步态频带表 python examples/research-sota/08-verticals/r10_foliage_attenuation.py

脚本支持--out参数自定义输出路径（默认examples/research-sota/r10_foliage_results.json）。输出 JSON 结构包含四个部分：model（模型声明）、link_budget（链路预算明细）、curves（2.4/5 GHz × 三档密度的逐距离衰减曲线：foliage_attenuation_db、fspl_db、total_loss_db）、max_sensing_range_m（六组最大感知距离）与species_gait_bands_hz（十物种步态频带）——下游消费者可直接消费这些曲线用于渲染或进一步仿真。

总结：Tick 6 / R10 完成的是一次教科书式的"可行性论证"——用可复现的物理模型给出有界距离、用可执行的分类学给出 DSP 路线、用明确的诚实声明划清"已证实"与"待验证"的界限。它没有声称野外实测成功，而是把 10–20 年愿景拆解成了今天可验证的物理事实、明天可采集的数据任务，以及一套与现有cog-*生态完全同构的部署路径。

【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