Wi-Fi室内定位与人体检测不装摄像头怎么做？ESP32 CSI开源套件全解析

Wi-Fi室内定位与人体检测不装摄像头怎么做？ESP32 CSI开源套件全解析

【免费下载链接】esp-csiApplications based on Wi-Fi CSI (Channel state information), such as indoor positioning, human detection项目地址: https://gitcode.com/GitHub_Trending/es/esp-csi

房间里有几个人、人走到了哪个位置、是坐着还是起身走动……如果告诉你，这些信息可以不用摄像头、不用雷达，只靠房间里的Wi-Fi信号本身就能获取，你会不会觉得不可思议？

这正是 ESP32 CSI 开源套件（esp-csi）在做的事：它让开发者直接读取 ESP32 微控制器上报的信道状态信息（CSI），从而搭建 Wi-Fi 室内定位与人体检测应用。这篇指南会从"Wi-Fi 为什么能感知人体"讲起，再到三条取数路线、30 分钟跑通 Demo、数据解读与进阶玩法，一次讲透。

从一个日常疑问说起：Wi-Fi 真的能"感知"人在动吗？

先做个思想实验：你站在路由器和手机之间，Wi-Fi 网速会变差——这几乎是所有人的共同经验。为什么？因为人体挡住了信号、改变了信号的传播路径。

问题在于，传统信号强度指标（RSSI）只能告诉你"信号变弱了多少"，它丢失了大量细节。而 CSI 提供的是一条无线链路的完整"体检报告"：每个子载波上的幅度、相位、延迟等丰富信息。当人走过信号覆盖区，这些参数会发生可测量的扰动，CSI 恰好能把这些扰动精确记录下来。

对比维度	RSSI（信号强度）	CSI（信道状态信息）
信息量	一个标量，只有强度	多子载波上的幅度+相位
对细微动作的敏感度	低，只有明显遮挡才变化	高，可感知呼吸、咀嚼级别扰动
定位/检测能力	仅能粗略测距	支持轨迹追踪与活动识别
数据量	极小	每个数据包含数十个子载波复数

打个比方：RSSI 像只看得到"灯亮了没有"，CSI 则像能看到"灯光的明暗节奏、颜色变化"。正因如此，Wi-Fi CSI 不仅能捕捉走动、奔跑这类大动作，还能在静态环境下感知呼吸引起的微小信号波动——这让"非接触式生命体征监测"成为可能。

先看一张图：CSI 诞生在无线通信的哪个环节

想用好 CSI，得先知道它从哪来。下面这张发射-接收架构图，展示了 Wi-Fi 通信的完整链路：

信号在空气中传播时会经过墙壁、家具、人体等障碍物的多次反射，形成"多径效应"。接收端要做一件关键的事——信道估计（Channel Estimation）：把"信号在信道里经历了什么"推算出来，以便补偿失真、恢复原始数据。而这份推算结果，就是 CSI。

项目文档对 OFDM 调制、子载波结构、多径信道做了循序渐进的讲解，推荐从 OFDM-introduction.md 和 Wireless-Channel-Fundamentals.md 入手，先建立整体认知再上手实验。

三条取数路线怎么选：路由器中转、设备直连与专用广播

了解了原理，接下来是核心问题：CSI 数据怎么拿到手？项目提供了三条成熟路线，成本、精度、适用场景各不相同。

路线一：借路由器中转，最省事的入门方案

原理一句话：ESP32 连上路由器，向它持续发送 Ping 包，路由器返回的 Ping 回复里就带着 CSI 信息。只需一块 ESP32 加一个现成路由器即可运行，零额外硬件成本，是体验 CSI 的第一站。适合环境中本来就有路由器、想快速验证概念的场景。

路线二：双设备互发 Ping，部署位置更自由

当你的环境里本来就要布多台 ESP32 时，可以让设备 A 与设备 B 都挂在路由器上、互相发送 Ping 包，CSI 便随之传递。它的优势在于不受路由器摆放位置制约，也不受路由器下其他联网设备干扰，适合多节点协同的场景。

路线三：专用设备广播，追求最高精度

如果对检测精度有硬要求，可以单独安排一台 ESP32 作为"专用发射机"，持续切换信道发送广播包，其余多台设备同时接收 CSI。它不依赖路由器、对现有网络干扰小，是多设备集群做厘米级定位的首选。

一张表帮你做决定

对比项	路由器中转	设备直连	专用广播
硬件成本	最低（1块板+路由器）	中（至少2块板）	中高（需专用发射端）
部署灵活性	依赖路由器位置	灵活	最灵活
检测精度	入门级	中等	最高
抗干扰能力	一般	较好	好
典型场景	单设备尝鲜	多设备协同	高精度集群定位

另外，项目文档里还有一张综合示意图，对比了"路由器作为发送端"与"ESP32 作为发送端"两种架构：

注意右侧那条路径：两块 ESP32 之间可以通过esp-now协议直连互传 CSI，完全绕开路由器——这为某些无路由器的封闭场景提供了更干净的取数方案。

最短路径上手：烧录两个固件，跑出第一份 CSI 波形

理论讲再多，不如自己跑一次。下面这条路径可以在 30 分钟内跑通，全程无需写一行业务代码。

第一步：准备硬件

• 两块 ESP32 系列开发板（官方推荐 ESP32-C5 或 ESP32-C6，本文示例以 ESP32-C3 演示），一块做发送端，一块做接收端；
• 建议给两块板子都换上外置天线——PCB 天线方向性强、易受主板干扰，会影响数据质量；
• 一根连接串口的 USB 线。

第二步：搭好软件环境

1. 安装 ESP-IDF 开发框架（推荐v5.0.0 及以上版本）；
2. 拉取项目仓库：

git clone https://gitcode.com/GitHub_Trending/es/esp-csi cd esp-csi

第三步：分别烧录发送端与接收端

# 发送端固件 cd examples/get-started/csi_send idf.py set-target esp32c3 idf.py flash -b 921600 -p /dev/ttyUSB0

# 接收端固件 cd examples/get-started/csi_recv idf.py set-target esp32c3 idf.py flash -b 921600 -p /dev/ttyUSB1

两块板子间隔建议保持在 1 米以上，避免近距离强信号压制导致数据失真。

第四步：用 Python 工具实时看波形

cd examples/get-started/tools pip install -r requirements.txt python csi_data_read_parse.py -p /dev/ttyUSB1

串口终端里会持续滚动 CSI 日志（包括设备号、MAC、RSSI、速率、带宽等），配套的网页查看器则能把 CSI 幅度实时画成波形。当你从发射端与接收端之间走过时，会直观看到波形随之变化——这就是 Wi-Fi 人体检测的原始素材。

拆解一行数据：CSI 日志里到底有什么

拿到数据后，很多人会被一行长日志吓到。其实拆开看并不复杂，以一条典型记录为例：

CSI_DATA,0,94:d9:b3:80:8c:81,-30,11,1,6,1,0,1,0,1,0,0,-93,0,13,2,2751923,0,67,0,128,1,"[67,48,4,0,...]"

• 设备与链路信息：设备 ID、发射端 MAC 地址、RSSI、速率、带宽等，用于区分数据来源和链路状态；
• 接收状态字段：射频噪声底、接收时间等，帮助评估信号质量；
• CSI 数据体：最后引号内的数组，存储各子载波的复数信道信息，每个子载波先存虚部、再存实部。

理解了字段结构，就能在 Signal-Processing-Fundamentals.md 等文档的辅助下，对数据进行滤波、降噪、特征提取，为后续算法做准备。

从波形到决策：把 CSI 变成"雷达"的进阶玩法

原始 CSI 只是素材，真正值钱的是把它变成"判断"。项目在examples/下提供了三个层层递进的进阶样例。

图形化分析台：ESP-CSI Tool

examples/esp-radar/console_test目录里内置了一整套带图形界面的分析工具，界面长这样：

它能做到的事情相当完整：

• 实时观测：同时查看射频噪声底、CSI、RSSI 等多路数据的动态变化；
• 数据采集：把全量 CSI 一键落盘保存，供离线分析；
• 行为标注：为行走、静坐、起身等行为打标签，直接服务于机器学习训练；
• 智能判断：内置人体移动检测与房间人员状态识别模型。

对于研究者来说，这个工具是理解"天线配置、人体移动、设备摆放如何影响 CSI"的绝佳实验台。

人体检测雷达：wifi_sensing_demo 与 console_test

examples/esp-radar/下的两个工程展示了把 CSI 变成"雷达"的完整链路：通过分析 CSI 变化模式识别行走、跑步、坐下、起身等动作，还能进一步细分到呼吸、心跳级别的微动。配合网页串口监视器等工具，可以在一台浏览器里完成远程观测。

更精的测向玩法：ESP-Crab

如果觉得"检测有没有人"还不够，examples/esp-crab展示了双天线测向的玩法——通过对比两根天线的相位差异，判断信号来向，从而实现角度级的定位追踪。项目提供了完整的 PCB 图纸与电路图说明，适合愿意动手做硬件的玩家深入研究。

能落地的典型应用

应用方向	具体能力
室内定位	厘米级位置追踪、多人同时定位、实时轨迹绘制
人体活动检测	大幅运动识别、姿势变化感知、呼吸/心跳微动监测
环境感知	门窗开关状态检测、物体移动识别、环境扰动监测

为什么这套开源方案值得一试

• 硬件选择极宽：ESP32、ESP32-S2、ESP32-C3、ESP32-S3、ESP32-C5、ESP32-C6、ESP32-C61 全系列支持 CSI；
• 信息维度丰富：除 CSI 外还提供 RSSI、射频噪声底、接收时间及天线的rx_ctrl字段；
• 多模态辅助：ESP32 自带 BLE，可扫描周围蓝牙设备作为检测的辅助信号源；
• 算力够用：双核 240MHz 并支持 AI 指令集，能直接跑轻量机器学习与神经网络推理；
• 升级路径平滑：现有基于 ESP32 的物联网项目可通过软件 OTA 升级获得 CSI 能力，无需更换硬件。

高频翻车点与规避清单

实践中最常见的问题，多出在环境和细节上，这里提前给你一份"避坑清单"：

• 天线优先选外置：IPEX 外置天线效果明显优于 PCB 天线，后者方向性强、受主板布局影响大；
• 测试选"无人环境"：旁边有人走动会让数据混入干扰，建议在无人房间完成基线测试；
• 设备保持距离：发射端与接收端间距应大于 1 米；
• 信道要挑空的：避开拥挤的 Wi-Fi 信道，优先选择相对空闲的频率段；
• 先校准再使用：在稳定环境中采集基线数据并设定阈值，能显著压制环境噪声带来的误判。

通往深度应用的资料地图

项目仓库内置了系统化的中文文档，按下面顺序阅读体验最佳：

• Wireless-indicators-CSI-and-RSSI.md：先弄清 CSI 与 RSSI 的本质区别；
• OFDM-introduction.md：理解子载波与 OFDM 调制，这是读懂数据的前提；
• Wireless-Channel-Fundamentals.md：多径传播与信道建模；
• Signal-Processing-Fundamentals.md：滤波、降噪等信号处理基础；
• Introduction-to-Wireless-Location.md：定位算法的原理与选型；
• CSI-Applications.md：各类应用案例速览。

示例代码统一放在examples/目录下，get-started适合入门，esp-radar适合做人体检测，esp-crab适合研究测向定位。

下一步：现在就动手

Wi-Fi CSI 是一个正在快速成熟的技术方向：智能家居里的无感人员检测、健康场景下的非接触式生命体征监测、安防里的入侵识别、工业里的设备状态监控……都在这条赛道上展开。而这个开源套件已经把门槛降到了"两块开发板 + 三行命令"。

最有效的学习方式永远是亲手跑一遍：clone 仓库，从examples/get-started的路由器方案开始，烧录固件、打开波形、从设备前走过，亲眼看看 CSI 数据是如何回应你的动作。跑通之后，再沿着本文的路线图去尝试设备直连、专用广播和 ESP-RADAR 进阶玩法。等你真正上手，会发现 Wi-Fi 世界里还藏着很多值得探索的东西。

【免费下载链接】esp-csiApplications based on Wi-Fi CSI (Channel state information), such as indoor positioning, human detection项目地址: https://gitcode.com/GitHub_Trending/es/esp-csi