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：

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：

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 Rx，LOS 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 GHz（λ = 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, axis=1) r2 = np.linalg.norm(p - rx, axis=1) 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-L135）：desk-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, resolution=0.1): # 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（z=0.5~1.2）与站立区（z=1.0~1.7）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：

针对当前安装指南的三条修订建议：

1. 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。
2. 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。
3. 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。
• R6.2.2（N 锚点多基站）：N=5 锚点应跨高度分布，而不是集中在同一高度。
• R6.2.2.1（3D 多基站）：三维饱和曲线显示"拐点消失"，N=5 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 z=1.7、胸 z=1.3、腿 z=0.5）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：

1. 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"；
2. 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；
3. 提供按使用场景（睡眠/坐姿/站立）的高度策略推荐；
4. 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.md）
• R6.2.3：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