ESP32 做 WiFi 感知：CSI 采集与成像原理

1. 先说结论：ESP32做CSI成像，到底是怎么一回事

这几年Wi-Fi感知方向越来越热，从我接触到的不少毕业设计和创客项目来看，大家都想绕过毫米波雷达和UWB这些昂贵硬件，用现成的Wi-Fi设备做人体感知、手势识别甚至穿墙成像。而这个领域里，ESP32是一个很特殊的存在：它便宜、功耗低、带Wi-Fi，而且更重要的是，它居然开放了获取CSI（Channel State Information，信道状态信息）的接口。

很多人一听“成像”两个字，首先想到的是摄像头那种光学成像，其实Wi-Fi CSI成像完全是另一套逻辑。它不依赖光，也不需要专门的红外或者雷达收发器件，而是利用Wi-Fi信号在空间中传播时受到人体、家具、墙体等物体影响产生的幅度和相位变化，反推出目标的位置甚至姿态。你可以把它理解成“用无线电波画一幅环境图”，只不过这幅图的解析度远没有照片高，但它的核心价值在于不依赖光线、能穿墙、不侵犯隐私，这些特性让它在老人监护、安防、智能家居领域都有很大的想象空间。

回到ESP32。市面上能获取CSI的硬件平台其实不少，比如Intel 5300网卡、Atheros网卡、树莓派加网卡方案，但它们要么体积大，要么配置繁琐，部署起来不像ESP32这么灵活。ESP32本身集成了2.4GHz Wi-Fi，主频240MHz，内存也够跑轻量信号处理，最关键的是乐鑫在官方SDK里提供了CSI采集接口，这意味着你不需要额外加任何芯片，一块十几块钱的模组就能做Wi-Fi感知实验。这个门槛优势在高校实验室和创客圈里几乎是不可替代的。

这篇文章的定位很明确：给那些想做Wi-Fi CSI成像、但不想被各种论文公式劝退的人，梳理一条从硬件准备、环境搭建、数据采集，到成像算法落地、踩坑排错的完整路线。我尽量用实践者的口吻写，把原理讲清楚，把代码和参数给到位，最后把那些文档里不会写的坑也一并列出来。无论你是做毕业设计、课程项目，还是纯粹想玩点不一样的东西，希望这篇内容能帮你少走一半弯路。

2. 项目整体设计与方案选型思路

2.1 成像系统的基本组成：从单点感知到多节点协同

先把整个项目的架构说清楚。一个完整的ESP32 CSI成像系统，至少包含三个层次：数据采集层、信号处理层、成像展示层。

数据采集层是最基础的。单个ESP32在接收Wi-Fi数据包的时候，可以同时输出该链路的CSI数据。注意这里的“链路”是收发两端之间的传播链路，各个子载波的幅度和相位信息都携带了环境特征。如果要实现类似于“地图式”的区域成像，单节点是不够的，因为单点只能告诉你“这条链路有没有被扰动”，很难分辨目标到底在链路中间的哪个位置。所以我在实际项目中采用了多节点方案：在房间的不同位置部署3到4个ESP32接收节点，配合一个固定的Wi-Fi发送源（可以是路由器，也可以单独用一个ESP32开AP模式发包），这样不同角度、不同位置的链路响应就会形成交叉覆盖，后期的定位和成像精度才会有保证。

信号处理层承担的任务比较重。原始CSI数据是带有高频噪声和相位随机跳变的，不能直接用。一般流程是：先做滑动窗口的背景差分，把静止环境下的基准响应扣掉，留下目标运动引起的动态成分；然后对幅度序列做滤波，去掉突发干扰；接着对相位做线性校正，解决采样时钟不同步引起的相位偏移问题。处理完之后，每个子载波上就有一个相对干净的“变化量”，这个变化量就是后续成像算法的输入特征。

最后的成像展示层，是把多维度的CSI变化映射到二维空间网格上。这里并没有统一的标准做法，我试过几种方案，后面会专门讲。简单来说，你可以把空间划分成一个个网格，每个网格根据它与多条链路的几何关系，加权累加对应的CSI变化强度，最终生成一张热力图。颜色越亮的地方，代表信号受扰越强，也就是目标最可能出现的位置。

2.2 为什么选ESP32而不是Intel 5300或其它方案

做Wi-Fi CSI研究的老玩家应该都听过Intel 5300网卡加Linux CSI Tool的组合，那是学术界的经典平台。但它在实际工程部署中的问题很明显：需要一台完整的电脑，需要特定版本的驱动和内核，天线要外接，功耗和体积就更不用提了。说白了，它适合在实验室里跑算法验证，不适合做成嵌入式的原型系统。

Atheros网卡方案也存在类似问题，虽然它的CSI工具也开源了，但整体硬件链路还是太重。相比之下，ESP32有三个实打实的优势。

第一是成本。一块ESP32-WROOM-32开发板，十几块钱到三十块钱不等，即使是ESP32-S3或者C3系列也不贵，做一套四节点的部署成本也就是几十到一百出头，比动辄上千的USRP和毫米波雷达方案低了一个数量级。第二是集成度。它自带2.4GHz射频前端、天线、双核CPU和Wi-Fi协议栈，你只需要接一个USB线供电就能跑数据采集，这在做多节点布点时特别省心。第三是乐鑫官方文档和社区支持相对完善，CSI的API有现成参考，还有第三方开发者做成了现成的Arduino库，用起来门槛比从零配置Linux驱动低太多。

当然，ESP32也不是没有短板。它的CSI只支持2.4GHz频段，而且子载波数量和带宽相比Intel 5300方案要少，这直接限制了成像的分辨率。另外它的天线只有一根（个别开发板外接天线座可以扩展），做不了精细的到达角估计。所以在项目设计时，我选择的是用多节点空间分集来弥补单节点天线数量不足的问题，而不是死磕单点的高精度角度测量。

2.3 成像分辨率的理性预期：先定一个可实现的目标

提到成像，很多人会下意识拿它和雷达或者摄像头比，我这里必须先泼一盆冷水：ESP32 CSI成像的定位精度一般只能做到几十厘米到米级，做不到毫米波雷达那种厘米级高精度，更不可能像摄像头那样看清人的轮廓。它的价值在于“存在性检测”和“区域级定位”，比如判断房间里客厅区域有没有人、人在靠近窗户还是靠近门口、在房间里是走动还是静止。

这个定位其实已经能覆盖很多实际场景了。养老场景里，不需要摄像头，只需要知道老人卧室有没有人活动、卫生间有没有异常驻留；安防场景里，不需要精确面部识别，只需要知道晚上客厅有没有非预期的人体移动；智能家居场景里，可以通过不同区域的人体位置联动灯光和空调。把这些目标想清楚，你就不会在中途因为“精度不够”而丧失信心，也不会被论文里那些花哨的实验结果带偏。整个项目的技术路线，都是围绕“低成本、粗粒度、可部署”这三个关键词展开的。

3. 软硬件准备与开发环境搭建实操

3.1 硬件清单与选型建议

硬件方面，我的配置清单是这样的，你可以直接抄作业：

• ESP32开发板4个。型号上我推荐ESP32-WROOM-32系列，经典稳定，文档多，社区资源较全。如果你手头有ESP32-S3，也可以跑，但要注意个别库的兼容性差异。
• Wi-Fi路由器1个，作为CSI采集的发送源。不挑型号，能开2.4GHz频段就行，关键是设置一个固定的SSID和信道，避免漫游和信道跳变干扰实验。
• 如果有条件，准备一个单独刷成AP模式的ESP32当发送端也可以。这样做的好处是发包频率和包长完全可控，而且不用依赖路由器的固件行为。
• 杜邦线和Micro USB线若干，用于供电和数据传输。这里提醒一下，ESP32在开启Wi-Fi并持续收包时的电流可以达到200mA以上，劣质USB线压降太大会导致重启，别在这种地方省钱。
• 测试用的PC一台，装好Python环境，用于接收串口数据、跑算法、出图。

3.2 环境搭建：ESP-IDF与Arduino的取舍

ESP32获取CSI有两条主流路线，一条是乐鑫官方的ESP-IDF，另一条是Arduino框架下的第三方库。两条我都试过，我的结论是：如果你想深入理解底层的CSI数据细节、做定制化抓包，那选ESP-IDF；如果你只是想把数据拿到手，快速验证成像算法，那Arduino库会更快。

ESP-IDF路线的核心是官方API

esp_wifi_set_csi_rx_cb

，注册一个回调函数，每当Wi-Fi接收模块捕获到数据包时，CSI数据就会自动通过回调上报。你需要自己解析

wifi_csi_info_t

结构体里的字段，包括缓冲区指针、数据长度、接收信号强度、子载波索引等。这套接口功能完备，但配置过程比较繁琐，你需要从乐鑫官网或者GitHub下载SDK，然后按照官方文档配置工具链。

Arduino路线则简单得多。社区里有一个很好的开源项目，把ESP32 CSI封装成了易于调用的库，你只需要在Arduino IDE中安装ESP32开发板支持包，然后包含对应头文件，注册回调后就能在串口里看到数据。我个人建议初学者从这条路线入手，先把数据跑通，有了直观感受之后再决定要不要往ESP-IDF迁移。Arduino开发板支持包的安装，国内网络环境下建议直接使用乐鑫官方或者GitHub的离线包，或者在国内镜像站下载，不要卡在环境安装这一步。

3.3 理解ESP32输出的原始CSI数据结构

只有理解了原始数据结构，你才能正确解析和预处理数据。ESP32输出的CSI数据，在Arduino库中通常以结构体的形式呈现，核心字段包括：

• 
cnt

  ：本次上报包含的CSI数据记录条数。
• 
index

  ：本次上报在整段数据中的索引。
• 
buf

  ：实际存储CSI原始值的缓冲区，类型为复数（实部和虚部）。
• 
len

  ：缓冲区长度。
• 
rssi

  ：接收信号的强度指示值。

这里面最关键的是子载波的组织方式。ESP32在2.4GHz频段采用OFDM调制，在20MHz信道带宽下通常有64个子载波，但实际用于传输数据的子载波数是52个左右，加上导频和直流子载波，可供分析的有效子载波数一般取48到64之间。在HT40模式下，子载波数会翻倍到128个左右，但我实测下来，HT40虽然子载波更多，却更容易受环境干扰和频偏影响，对于初学者反而不如HT20稳定。

每个子载波的数据都是复数形式，存储的是I/Q采样值。你应该关心的不是原始I/Q值本身，而是从它推导出的两个物理量：幅度和相位。幅度的计算公式是

sqrt(I^2 + Q^2)

，相位是

atan2(Q, I)

。后续几乎所有成像算法，都要用到这两个量。我在下面的代码示例中会直接演示如何从

buf

中提取这两个特征。

4. 单节点CSI数据采集与预处理细节

4.1 写一个最简数据采集程序

数据采集是整个项目的地基，地基不牢，后面算法全白搭。我用的Arduino库采集代码非常简单，核心逻辑就是：初始化Wi-Fi，开启CSI回调，然后不断向串口输出解析后的数据。

#include <WiFi.h>
#include "esp32_csi.h"

const char* ssid = "your_ap_ssid";
const char* password = "your_ap_password";

void onCSIRead(csi_data_t *data) {
  for (int i = 0; i < data->len; i++) {
    uint8_t ival = data->buf[i].real;
    uint8_t qval = data->buf[i].imag;
    int32_t ir = ival - 128;
    int32_t qi = qval - 128;
    float amplitude = sqrt(ir * ir + qi * qi);
    float phase = atan2(qi, ir);

    Serial.printf("%d,%f,%fn", i, amplitude, phase);
  }
}

void setup() {
  Serial.begin(115200);
  WiFi.mode(WIFI_STA);
  WiFi.begin(ssid, password);
  while (WiFi.status() != WL_CONNECTED) {
    delay(100);
  }
  esp32_csi.onRead(onCSIRead);
  esp32_csi.begin();
}

void loop() {
  delay(1);
}

这段代码的工作流程是这样的：ESP32以Station模式连接路由器，然后持续监听路由器发出的数据包。每当收到一个包，CSI回调就触发一次，输出52组左右子载波的幅度和相位。实际操作中你会发现数据量非常大，如果以115200波特率输出，串口很容易成为瓶颈。建议采集时刻把波特率提到921600，或者在板子上做简单的数据缓冲，分段输出。

有一个细节需要注意：

buf

中的值是带符号差分的8位数据，需要先减去128偏移量再计算。我在第一次实验时没注意这个编码方式，算出来的幅度全是乱的，后来查资料才发现这个坑。你看，很多细节文档里不写，只能靠一步一步试出来。

4.2 噪声滤除、相位校正与信号增强

拿到原始CSI之后，如果想直接做成像，效果会非常差。因为原始数据里混杂了环境背景响应、射频噪声、采样时钟偏移，还有人走动时的多径变化。预处理这一步做得是否细致，直接决定成像结果能不能看。

第一步是幅度滤波。CSI幅度序列是时间序列，每个子载波的数据会随时间连续变化。静止环境下，幅度应该相对平稳，但仍会有小幅随机波动，这时可以用滑动平均或者中值滤波压掉高频毛刺。窗口长度我一般取10到20个采样点，太小滤不干净，太大会把快速移动造成的真实变化也抹掉。需要根据你的数据速率（一般50到100Hz）和目标的移动速度来调整。

第二步是相位校正。这是整套流程里最容易踩坑的地方。原因在于Wi-Fi收发双方晶振不同步，存在采样频率偏移（SFO）和载波频率偏移（CFO），导致每次采到的相位都有一个线性偏移成分。如果不做校正，相位看起来就像在随机跳变，根本无法作为特征使用。常用做法是：取相位序列，对子载波索引做线性拟合，然后用原始相位减去拟合出的线性项。这等于把公共的相位误差清零，留下真正反映多径环境变化的非线性部分。我在实践中发现，校正后的相位在目标运动时会呈现出明显的波动聚集效应，这在频谱图上尤其清晰。

第三步是背景差分。方法是先采集一段没有目标移动时的CSI作为基准，然后把当前CSI减去基准，得到“变化量”。这一步非常直观：电磁波在空间中传播时，人体或物体移动会改变反射路径，导致某些子载波的幅度和相位发生显著变化，而这些变化叠加在稳定的背景响应之上。把背景抠掉之后，剩下的就是目标扰动引起的动态分量。对于连续运动的目标，还可以进一步做相邻帧差分，突出时间维度的变化。

4.3 选哪些特征作为成像输入

CSI数据里包含的信息并不均匀。每个子载波对环境扰动的敏感度不一样，有的子载波在有人走动时幅度波动能到2到3dB，有的却几乎纹丝不动。这说明不同频率的子载波对多径分量有不同的响应，频率选择性衰落是普遍现象。

我在成像项目中主要用到两种特征。一种是“幅度变化强度”，即背景差分后幅度序列的方差或标准差，它能直观反映目标在该链路上引起的能量变化程度。另一种是“相位变化稳定性”，人的呼吸或者微小移动会引起相位的规律性波动，人体大幅移动则会造成相位剧烈变化，这可以用来区分动作类型。

选择特征时有个经验性原则：不是所有子载波都要用。我通常会根据静止状态下的基线波动幅度，剔除那些自身就很不稳定的子载波，只保留信噪比高的那部分。你可以把每个子载波想象成一个微型传感器，每个传感器都有不同的“底噪”，成像系统要做的就是把最灵敏的传感器挑出来，把它们的读数综合起来。

5. 从CSI到图像：成像算法设计与实现

5.1 把无线扰动映射到空间网格

成像问题的本质，是解决“多条链路的变化强度如何反推出目标所在空间位置”这个问题。现实中没有一种完美的物理模型可以精确描述所有反射路径，所以工程上做的是近似：把空间划分成若干网格单元，每个网格代表一个可能的目标位置，然后计算每个网格对当前观测到的CSI变化量的贡献度。

这里涉及一个很关键的几何概念——“菲涅尔区”。简单类比：Wi-Fi信号从发送端到接收端，除了直线路径，还会经过地面、墙面、人体等反射路径到达接收端。当人体在链路附近移动时，某些反射路径的长度发生变化，导致到达接收端的信号叠加效果改变，表现为CSI幅度和相位的波动。离链路越近的位置，这种波动越明显；离链路越远或者被遮挡的位置，影响越小。成像算法就是利用这种空间敏感性差异，来反推目标位置。

具体到实现，不需要做复杂的电磁仿真。一个简单有效的方法是权重反投影：预先计算每个网格到每个接收节点的参考距离，然后根据距离衰减模型，把每条链路的CSI变化量按权重叠加到所有网格上。距离近的网格分到的权重大，远的权重小，最终累加出整幅热力图。这个方法虽然粗糙，但计算量小，非常适合ESP32和单板电脑这类资源受限平台。

5.2 三种实用成像方案对比与选择

我在调试过程中尝试过三种不同层次的成像方案，各有优劣，下面用表格直观对比一下。

方案	核心思路	定位精度	成本	适用场景
区域判定法	对多个接收节点的链路状态做逻辑判断，目标所在区域的链路变化最强	米级	最低，仅需节点间简单通信	房间级人员存在检测、区域判读
网格反投影法	将空间网格化，按链路-网格几何关系加权累加CSI变化量，输出热力图	分米到米级	中，需要标定节点坐标并做矩阵运算	室内人员粗定位、入侵检测
机器学习法	采集不同位置、不同动作的CSI数据训练分类/回归模型，输出坐标或区域标签	取决于数据集	较高，需要大量标注数据	手势识别、精细化动作分类

区域判定法适合刚起步阶段验证硬件链路是否正常，实现起来就是把每个节点的CSI幅度变化强度算出来，和预设阈值比较，判断目标在哪个区域。网格反投影法是本项目的核心，也是后续要详细展开的部分。机器学习法如果你有充足的时间和算力，可以作为进阶方向，但我不建议一上来就上模型，因为ESP32采集的数据质量不稳定，需要先做好预处理和特征工程。

5.3 网格反投影算法的完整实现

下面这段Python代码是我在PC端跑的离线成像脚本。它读取多个ESP32节点通过串口上传的CSI幅度变化值，然后映射到预设的2D网格上，生成热力图。

import numpy as np
import matplotlib.pyplot as plt

# 节点部署坐标：接收节点位置（单位：米）
rx_positions = [(0, 0), (4, 0), (0, 4), (4, 4)]
# 发送节点位置
tx_pos = (2, 2)

# 建立网格
grid_size = 0.2
x_range = np.arange(0, 4.01, grid_size)
y_range = np.arange(0, 4.01, grid_size)
xx, yy = np.meshgrid(x_range, y_range)

# 从每个节点收到的CSI变化强度（示例数据）
csi_vars = [0.8, 0.5, 0.9, 0.3]

img = np.zeros_like(xx, dtype=float)

for i, rx in enumerate(rx_positions):
    for idx in np.ndindex(xx.shape):
        gx, gy = xx[idx], yy[idx]
        d_tx = np.linalg.norm((gx - tx_pos[0], gy - tx_pos[1]))
        d_rx = np.linalg.norm((gx - rx[0], gy - rx[1]))
        # 以链路距离为参数的权重函数
        weight = 1.0 / (1.0 + (d_tx + d_rx) ** 2)
        img[idx] += csi_vars[i] * weight

plt.imshow(img, origin='lower', extent=[0, 4, 0, 4], cmap='jet')
plt.colorbar(label='CSI variation intensity')
plt.title('CSI Imaging Result')
plt.xlabel('X (m)')
plt.ylabel('Y (m)')
plt.show()

这段代码的权重函数用的是距离平方反比形式，物理含义是：距离链路越近的位置，CSI对该位置扰动的贡献越大。实际项目中，你可以把

csi_vars

替换成多个时刻的计算结果，形成一个动态热力图序列。我实测下来，网格大小取0.2米比较合适，太密了计算量大而且容易出现虚假亮点，太疏了定位精度不够。

需要说明的是，这个反投影算法有一个隐含假设：CSI变化量主要由链路附近的反射体引起。这在空旷房间里基本成立，但家具多、强反射面多的场景下，多径干扰会使成像结果出现“鬼影”。缓解办法是增加节点数量、采用多频段子载波做平均，或者引入时间维度的连续性约束。

5.4 可视化后处理与动态展示

成像算法出来之后，后处理环节也不容忽视。直接输出原始热力图会显得噪声很大，尤其是单帧结果，视觉上看着像一堆随机色块。我常用的处理手段有三个。

第一个是图像平滑。用二维高斯滤波或者中值滤波对热力图做空间平滑，把孤立的噪点压掉，让目标的响应区域更连续。核的大小建议为3乘3或5乘5，太大反而会模糊目标的精确位置。

第二个是时间累积。单帧热力图受瞬时噪声影响很大，可以滑动累积最近0.5到1秒的热力图数据取平均。人体走动的时间尺度在几百毫秒级别，这个窗口既能保留运动信息，又能显著提升稳定性。实测下来，时间累积后的热力图目标区域更加饱满、边缘更清晰。

第三个是动态阈值。在不同环境背景下，CSI变化的绝对数值差异很大，用一个固定阈值来判断“有无目标”很不靠谱。我的做法是先计算整帧热力图的均值和标准差，然后用“均值加两倍标准差”作为检测阈值，只有超过阈值的像素才被判定为目标区域。这种自适应阈值在光线、家具布局变化时也能保持稳定。

6. 实测效果、常见问题与排查技巧实录

6.1 现场测试方案设计与效果评估

项目做到一定阶段，就需要拉出去做实测。我的测试场地是一间约12平米的普通房间，里面有一张桌子、两把椅子和一个书柜，属于典型的真实室内环境。发送端路由器放在房间中央的桌子上，四个ESP32接收节点分别放在四个角落，高度约1.2米，与人体的躯干位置大致齐平。

测试时让一个人在房间内按预设路线走动，分别经过房间中心、靠近门口、靠近窗户三个位置，每个位置停留10秒。采集数据后离线处理成热力图序列。最终结果令人振奋但也暴露出明显问题：目标在靠近发送端和接收端连线的区域时，热力图亮点非常集中，定位误差基本在0.5米以内；但目标处于房间角落或家具遮挡比较严重的位置时，热力图会出现多个分散的亮点，主目标区域和伪影区域的强度差异不够明显。这说明在复杂环境下，单链路几何关系假设的局限性开始显现。

针对这个情况，我做了两项优化。一是把接收节点数量从4个增加到5个，增加一条对角方向上的链路，补足原有布局在空间覆盖上的盲区；二是把平滑窗口加大，从0.5秒增加到1秒。两项优化叠加后，主目标对应的热力图区域明显增强，伪亮点被有效抑制。虽然定位精度没有数量级提升，但系统的鲁棒性比之前强了一个档次。

6.2 高频坑点速查表

下面这份速查表是我在项目中陆续遇到的问题和解决办法，每一个都是真金白银踩出来的，建议收藏备用。

问题现象	可能的根因	解决办法
回调从来没有触发，CSI数据为空	固件或库不支持CSI特性；Wi-Fi没有连接到AP；信道带宽设置不对	确认ESP32型号和SDK版本；用Station模式连AP；把带宽设为HT20
CSI数据大量输出全零或剧烈跳动	I/Q值编码格式解析错误；忘记减128偏移量；射频前端饱和	按8位差分格式解析；检查发送端距离，避免信号过强
采样率忽高忽低不稳定	Wi-Fi和蓝牙共存时射频调度冲突；发送端发包速率不稳定	关闭蓝牙（断开蓝牙后Wi-Fi吞吐明显改善）；用固定速率发包测试
相位看起来像随机噪声	收发晶振不同步，存在CFO和SFO	对子载波维度做线性拟合，减去线性相位偏移
串口数据大量丢失	波特率太低或串口缓冲区溢出	提高波特率到921600；在板端做简单压缩或二进制编码协议
热力图出现多个亮点，目标不唯一	节点太少、多径复杂、反投影权重函数不匹配	增加接收节点；增大时间平滑窗口；调整权重函数的距离衰减系数

这里特别想展开说一下蓝牙和Wi-Fi共存的问题。ESP32芯片内部Wi-Fi和蓝牙共用一颗射频前端和天线，两者不能真正同时工作在同一频段。就算你有意关闭蓝牙，系统后台的一些蓝牙扫描任务也可能间歇性抢占了射频时间片，导致Wi-Fi收包不连续、CSI采样率抖动。在采集实验数据前，建议把蓝牙彻底关掉，代码里调用关闭蓝牙的接口，同时尽量给ESP32设置固定的、没人占用的Wi-Fi信道，减少干扰。

6.3 提升成像质量的几个方向

如果你已经跑通了基本流程，还想让效果更好，下面这几个方向值得考虑。

第一个方向是优化节点布局。接收节点的位置和高度对成像结果影响非常大。传感器尽量避开墙角正对的位置，因为墙角处多径反射最复杂。高度方面，我实测发现1米到1.5米之间效果最好，这个高度范围与人体躯干主要反射面重合。如果你做的是跌倒检测，可以考虑把部分节点放低到0.3米左右，捕捉腿部附近的信号扰动。

第二个方向是利用多子载波融合。不同子载波的频率不同，对细小物体和大幅度运动的敏感度也不同。把多个子载波的幅度变化做加权融合，可以提升对微弱信号的感知能力。我在呼吸检测的实验中发现，某些特定子载波在静止人体附近的幅度波动会呈现与呼吸频率一致的周期性变化，融合这些子载波的信息后可以比较稳定地提取呼吸波形。

第三个方向是引入环境学习和动态校准。固定环境的背景噪声会随温度和湿度变化，更不用说家具移动、门窗开关这些突发情况。可以设计一个简单的自适应背景更新机制：每隔一段时间（比如60秒）重新评估一次当前环境的基准CSI，只在变化幅度超过预设阈值时才更新背景模型。这能避免背景差分特征随着时间推移慢慢失去有效性。

最后再说几句

做这个项目的过程中，我最大的体会是：Wi-Fi CSI成像并不神秘，但也绝不是一个周末就能调通的小玩具。它的门槛主要不在硬件，而在信号处理和算法调试上。ESP32给了我们一个极低成本的接入点，但要真正做出稳定可用的结果，需要耐心地和数据打交道，理解每个参数的物理含义，而不是套一个现成代码就完事。

如果你准备动手做，我建议从最简方案开始：先买两三块ESP32，在一个小房间里把CSI数据采通，把热力图代码跑起来，哪怕结果很粗糙，也比对着论文里的复杂公式发呆强。等你能解释清楚每一个预处理步骤为什么存在、每一个算法参数为什么这样设，再往上叠加更复杂的方案也不迟。这个过程的收获，远比那个“成像效果”本身值钱。

一、2.4GHz 与 5GHz/6GHz 频段的工程取舍

无线局域网真正可稳定使用的 2.4GHz 信道只有 1、6、11 三条互不重叠信道——每条 802.11 信道占用约 22MHz 带宽，而 2.4GHz 总可用带宽仅 83.5MHz，相邻信道频域重叠会直接引发邻频干扰。办公、酒店、公寓等 AP 密集场景，手动把相邻 AP 错开到 1/6/11 比”自动信道”更能避免同频踩踏。5GHz 信道多、干扰少、速率高，但穿墙衰减大；6GHz（Wi-Fi 6E/7）进一步打开连续频谱，适合高密场馆。工程上低密度家用优先走 5GHz，高密度公共区域再用 2.4GHz 做覆盖补充。

二、干扰定位的实测方法

• 同频干扰：多个 AP 用同一信道，CSMA/CA 退避加剧，表现为 ping 抖动、吞吐腰斩。用 WiFi Analyzer、InSSIDer 或 AC 自带频谱图看同信道 AP 数量。
• 邻频干扰：信道 1 与 2、6 与 7 相邻重叠，必须严格按 1/6/11 规划。
• 非 Wi-Fi 干扰：蓝牙、Zigbee、无绳电话、微波炉、无线图传都可能污染空口。普通 Wi-Fi 嗅探看不到非 802.11 能量，需频谱仪或支持频谱扫描的 AP。
• 多径干扰：信号经墙体多次反射叠加引起深衰落，典型症状就是”信号满格却卡顿”，可通过调整 AP 位置、降低发射功率、启用波束成形缓解。

三、商用场景的信道与功率规划

酒店/宿舍按楼层错开信道组；仓库/车间用 5GHz 定向天线做回传；会议室投屏卡顿多为 2.4G 拥堵，建议给投屏终端单独开 5G SSID。AP 发射功率并非越大越好——过大会造成跨区同频、过小留覆盖空洞，需结合场强仿真（Ekahau、AirMagnet）做 AP 点位与功率联合优化。Wi-Fi 6 的 OFDMA、MU-MIMO、TWT 从调度层面提升多用户效率，但前提是物理层干扰已先控制住。

相关阅读

• 客房网络与办公网络没有隔离，怎么规划 VLAN 与网段
• 单模光纤
• 无线频繁掉线怎么排查：ARP欺骗与私接设备