ESP-CSI：DIY WiFi人体存在检测

故事

“WiFi传感”是智能家居的未来，还是仅仅是实验室里的一种新奇玩意儿？我花了数周时间，用ESP32搭建了一个人体检测阵列，想看看我们是否最终可以摆脱昂贵的传感器。

演示视频请前往Reddit观看。

引言：物联网“第六感”的崛起

在智能家居和物联网领域，我们一直在寻找完美的感应器。被动红外传感器（PIR）价格低廉，但无法探测静止目标。毫米波雷达精度高，但价格昂贵且集成复杂。摄像头功能强大，但存在严重的隐私问题。

但最近，“第四种选择”在开源社区获得了极大的关注：WiFi 传感。

一切始于我注意到乐鑫科技（Espressif Systems）的工程师们在名为esp-csi的 GitHub 代码库上异常活跃。这并非一次简单的更新，而是一次旨在解锁标准 ESP32 芯片信道状态信息（CSI）的全面尝试。社区几乎立刻做出了回应。我看到像espectre这样的项目涌现，它利用 CSI 进行频谱分析。我还看到研究人员发布了使用深度学习进行二维室内定位的代码。

这些说法近乎科幻。乐鑫的文档甚至包含一个名为“手指手势追踪”的演示，esp-crab声称仅使用WiFi信号就能实现精准的手指手势追踪。

这引起了我的好奇。如果这项技术真的存在，它就能让空间感知技术普及化。我们不再需要30美元的雷达模块；一个5美元的微控制器就能胜任。但它可靠吗？可复制吗？或者它只是一个脆弱的演示装置，只能在屏蔽的射频室中运行？

为了回答这个问题，我从我的工作室里收集了一些 Seeed Studio XIAO ESP32 开发板，并决定从头开始构建一个房间规模的传感阵列。

理论：CSI究竟是什么？

在深入构建之前，我们需要了解我们实际关注的是什么。大多数人都熟悉接收信号强度指示器 ( RSSI )。RSSI 就像测量声音的“音量”；它告诉你信号有多强，但除此之外就没什么信息了。它的波动很大，而且几乎无法提供关于环境的信息。

CSI（信道状态信息）则不同。如果说RSSI代表“音量”，那么CSI代表声音的“质感”。

在现代WiFi（OFDM）中，数据通过多个子载波（不同频率）同时传输。当这些无线电波从发射器（TX）传播到接收器（RX）时，它们会从墙壁、家具和人体反射回来。这些反射会导致无线电波到达接收器的时间略有不同，从而产生干扰。

CSI（信道状态信息采集）技术能够捕捉到每个子载波的振幅和相位信息。当人体在房间内移动时，会改变这些波的反射和散射方式。通过分析这些变化在整个频谱范围内的“形状”，理论上我们可以检测到人体的存在、运动，甚至特定的手势。

第一阶段：“Hello World”和最初的挫败感

我的旅程始于一个最简单的目标：将 CSI 数据可视化。

我为这项任务选择了 Seeed Studio XIAO ESP32S3。我喜欢这些开发板，因为它们体积非常小巧，功能强大到足以处理数学运算，而且易于在实际部署中隐藏。

我将csi_send示例程序烧录到两块XIAO开发板上。我的设置非常简单：我把标准的 FPC（柔性贴片）天线贴到开发板上，然后把它们平放在桌面上，两块板子相距约 50 厘米。之后，我运行 Python 脚本，在我的笔记本电脑上渲染数据流。csi_recvcsi_data_read_parse.py

结果令人沮丧。

我原本以为会看到一个清晰的正弦波，能够随着我的手部动作而变化。结果，我看到的却是一团乱麻般的锯齿状线条。图表看起来就像静电噪声。我在电路板上挥动手——没有任何变化。我又跳了起来——图表依然模糊不清。

我花了整整两天时间，怀疑是不是固件刷错了，或者小米的硬件不兼容。我调整了各种参数，更换了WiFi信道，甚至重写了Python解析器。但所有方法都无效。我基本上只能对着无线电信号发呆。

第二阶段：一切都与物理有关

在重新阅读文档并深入研究射频理论后，我意识到我的错误不是软件问题，而是物理问题。

• 天线问题：大多数开发板附带的FPC天线是全向的，但增益很低。将它们平放在桌面上，会导致天线旁边的桌面产生严重的反射。我测量的是桌面，而不是房间。
• 菲涅尔区：无线电波并非沿激光线传播，而是在两根天线之间一个橄榄球形状的区域内传播，这个区域被称为菲涅尔区。由于我的设备放在桌子上，桌子阻挡了菲涅尔区的下半部分。

解决方案：

我搭建了一个合适的测试平台。我将XIAO电路板安装在三脚架上，离地1.4米。关键是，我断开了FPC天线，并连接了外部偶极（杆状）天线。

我重新启用了脚本。效果简直天壤之别。

图表呈现出稳定的节奏。当我静止不动时，线条平坦。我迈出一步的瞬间，波形便迸发出美丽而清晰的图案。我终于能在数据中看到“我”的影子。这是一个转折点——这项技术真的有效。

第三阶段：从数据到检测（“绊线”）

现在我有了干净的数据，我想用它做些有用的事情。我切换到了esp-radar/console_test示例程序。该固件包含乐鑫科技的专有算法，用于过滤噪声并做出判断：“有人在这里”或“房间是空的”。

我在客厅里架设了两个相距 2 米的三脚架。

它的性能出乎意料地灵敏。它就像一根无形的绊线。当我径直走到两个三脚架之间时，串口控制台立刻发出“检测到移动”的警报。这感觉太神奇了——一个没有镜头、没有移动部件、只有空气的传感器。

然而，这些局限性很快就显现出来。如果我站在接收器两米远的地方，它就检测不到我。如果我坐在地板上，它也无法探测到我。一对设备只能形成一条“检测线”，而不是一个“检测场”。要监控一个真实的房间，我需要更大的覆盖范围。

第四阶段：构建“传感阵列”

为了解决盲区问题，我决定扩大规模。我制定了一个使用 4 个 Seeed Studio XIAO ESP32 的多设备阵列方案。

我使用了针对 XIAO 生态系统优化的修改版代码库。该代码允许多个接收器向中央节点报告数据。

布局策略：

我将这些设备排列成一个传感区域网：

• 发射器（TX）：位于房间的东北角。
• 接收器 1 (RX1)：位于西南角（对角线方向）。覆盖主要步行道。
• 接收器 2 和 3：放置在相邻墙壁的中点。

这种布局确保无论我站在房间的哪个位置，我都能干扰至少一对设备的菲涅尔区。

用户界面：

该项目包含一个运行在主 ESP32 上的简单 Web 服务器。我在手机上打开了该 IP 地址。界面很简单：一个状态指示器显示“存在”、“无信号”或“运动”，以及一个滚动显示信号变化的图表。

我走进房间。状态立即变为“正在移动”。

我走到拐角处，那里通常是信号盲区。状态仍然显示为“在线”。

我坐在沙发上，尽量保持静止。系统犹豫了一下，但状态仍然显示为“在线”。

成功了。我成功地把整个客厅变成了一个传感器。

最终结论：它是否已准备好迎接现实世界的挑战？

使用这套“WiFi阵列”一周后，我对它的优缺点有了更清晰的了解。虽然它的“炫酷程度”确实爆表，但实际情况却远比这复杂得多。

1. 功耗问题

这是最大的障碍。与 99% 的时间都处于休眠状态的 Zigbee 或 LoRa 传感器不同，CSI 传感需要 WiFi 无线电完全处于活动状态，每秒发送数百个数据包。

XIAO ESP32 芯片发热量很大。它们不能用电池供电，几分钟就能耗尽一枚纽扣电池的电量。你需要把 USB-C 线缆拉到房间的每个角落，除非插座位置恰到好处，否则这会破坏“隐形”美感。

2. “校准地狱”

这套系统对环境很敏感。如果我移动咖啡桌，反射图案就会改变。如果我打开窗户，图案也会改变。

要让这套系统正常工作，需要一个“校准”阶段，此时房间必须完全空无一物。如果添置了新的家具，通常需要重新校准基准值。与即插即用的PIR传感器相比，这套系统需要大量的维护工作。

3. 复杂性与准确性

与我的商用 24GHz 毫米波雷达相比，我的 4 设备阵列达到了约 80% 的精度。

讽刺的是，为了获得更高的精度，你需要更多的设备（更多的接收节点）。但是，增加设备数量会加剧网络拥塞，使校准过程更加繁琐。这就是典型的收益递减规律。

4. 未开发的潜力：深度学习

我搭建的这套系统运用了基本的统计逻辑（如果方差大于阈值，则判定为人类操作）。真正的未来在于深度学习。

理想情况下，我们会将这些CSI数据输入到运行神经网络的树莓派或NVIDIA Jetson中。有了足够的训练数据，人工智能就能学习到“波形A”代表“行走”，“波形B”代表“坐在沙发上”。然而，这会大幅增加成本和所需的技术水平，使其超出简单的DIY家庭自动化范畴。

结论

那么，ESP-CSI 能取代雷达吗？目前还不能。

如果你想要一个可靠的传感器来控制浴室灯的开关，那就买一个20美元的毫米波传感器。它更方便、更省电、更精准。

然而，如果你是一位黑客、创客或工程师，想要探索射频技术的尖端领域，那么这个项目绝对不容错过。我们能够从像 Seeed Studio XIAO 这样一款售价仅 5 美元的芯片中提取出如此丰富的数据，这充分证明了 Espressif 和开源社区的卓越工程技术。它目前还不是一个产品——而是一项等待被驾驭的强大力量。