RuView 诚实训练 WiFi 姿态模型train-pose 技能与 mean-pose 基线纪律实战【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/RuViewtrain-pose是 RuView 操作型 AI Agent Harnessharness/ruview中的核心技能文档它回答一个在 WiFi 人体姿态估计领域极少被正面回答的问题如何在构建 CSI→pose 模型时不夸大任何准确率数字。本文将以该技能文档为骨架结合仓库中的 ADR-079、ADR-152、ADR-182 以及ruview_claim_check的源码实现完整还原这套「先跑 mean-pose 基线、只报增量、未经标注不得引用」的训练与发布纪律并给出可复制、可运行的命令与参数。为什么需要一套诚实纪律被撤回的 92.9% / 100%train-pose 文档开篇就直白地交代了这套纪律的来历本项目历史上曾出现过92.9% PCK20 / 100% 的指标被撤回retracted的记录。撤回原因记录在 ADR-152 §2.1 中该数字在 2026-06-10 的测量中被撤回存活的留出集上一个恒定输出的模型constant-output model在非躯干归一化absolute threshold协议下对 69 个近静态帧的测试中得分为 100%——同一个 mean predictor 在该协议下也是 100%。换句话说那个完美数字并非模型学会了感知人体姿态而是评测协议本身太弱在近静态、帧间差异极小的数据上任何输出近似于均值的模型都能拿满分。train-pose 的存在就是为了让这类错误永不复发the discipline below exists so it never recurs。这一教训在代码层面被固化为一条不可绕过的规则任何准确率声明必须可复现、必须与基线对比、必须标注证据等级。这正是 ADR-182 所要求的「每个声明必须独立可复现」的落地形态。非谈判项先跑 mean-pose 基线mean-pose baseline firsttrain-pose 的核心论点是一个永远预测数据集平均姿态mean pose的模型就已经能拿到约 50% 的 PCK。这个数字的含义是在常见的姿态评测协议PCKk即预测关键点与真值距离小于k × 躯干长度的比例下人体骨架本身的统计分布就能让猜均值这种零智能策略获得显著分数。因此引用 PCK 时只能引用相对该基线的增量delta并且必须在无主体泄漏subject leakage、无时间泄漏temporal leakage的留出集held-out split上计算。文档给出的诚实示例源自 ADR-181 的实测记录Held-out PCK2059.5%对照 50% 的 mean-pose 基线真实信号为9.4 pp —— MEASURED。关键点在于59.5%本身看起来不错但只有减去基线后的9.4 pp才是模型真正学到的、超越统计先验的能力。任何不报基线直接报 PCK 的数字在 RuView 的纪律下都是不可引用的。为什么基线能到 50%来自实测的佐证这一判断并非理论猜测。benchmarks/wiflow-std/RESULTS.md 中对真实数据集的 mean-pose 基线测量直接印证了这一点。在该评测中mean-pose 基线在测试集上的得分高达指标数值torso-PCK1073.1%torso-PCK2095.9%torso-PCK3098.7%MPJPE0.0148报告中的结论非常直接没有任何运行能打败 mean-pose 基线——一个恒定输出训练集平均姿态的模型在测试集上拿到 95.9% torso-PCK20 / 0.0148 MPJPE。直到某个模型能在时间划分temporal split上超越 mean-pose 基线之前这条训练线产出的任何 PCK 数字都不得引用。这正是 train-pose 文档「绝不夸大」原则在真实基准中的执行案例。三条训练路径相机监督、无相机、浏览器内train-pose 文档定义了三条构建 CSI→pose 模型的路径各有明确的适用场景与推理期依赖路径一camera-supervised相机监督ADR-079原理用MediaPipe Pose为相机画面打上骨架标签将配对的 CSI 与骨架喂给网络训练。关键约束训练与推理须在同一相机画面坐标系内进行以保证骨架与 CSI 的对齐Train/infer in one camera frame so the skeleton aligns。部署形态相机仅作为训练期的教师推理期完全不需要相机camera-free deployment。完整的管线实现在 ADR-079 中包含四个组件scripts/collect-ground-truth.py— 单脚本编排相机 ESP32 CSI 流的同步采集。依赖mediapipe、opencv-python、requests纯 pip 安装无需 GPU。每帧写入一行 JSONL包含ts_ns纳秒时间戳、归一化[0,1]的 17 个 COCO 关键点、confidence0-1用作损失权重与n_visible。MediaPipe 的 33 个 landmark 会映射为 17 个 COCO 关键点如 Nose←0、Shoulders←11/12、Hips←23/24 等。scripts/align-ground-truth.js— 时间对齐CSI 帧约 100 Hz服务端时间戳相机关键点约 30 fps客户端时间戳。对每个 20 帧 CSI 窗口约 200 ms收集窗口内 ≥3 个相机帧按置信度加权平均得到配对样本。NTP 在局域网内误差 20 ms足以满足对齐需求更严格的同步可用拍手/跳跃作为双模态同步标记。scripts/train-wiflow-supervised.js— 三阶段监督训练Phase 1 复用 ADR-072 的对比预训练Phase 2 用置信度加权 SmoothL1 做关键点回归仅保留conf 0.5的样本学习率 1e-4 余弦衰减200 epochs1.8M 参数在笔记本 CPU 上约 15 分钟Phase 3 加入骨骼长度约束与时间平滑微调L L_supervised 0.3·L_bone 0.1·L_temporal。scripts/eval-wiflow.js— 在 20% 留出配对数据上计算 PCK20 / PCK50 / MPJPE / 逐关节 PCK / 推理延迟。注意ADR-079 中的基线数据显示无相机监督的 proxy 监督站立骨架启发式在上半身关节nose、shoulders、wrists的 PCK20 为0%——这正是相机监督要针对性解决的关节。路径二camera-freeWiFlowADR-152原理推理期完全无相机采用几何条件化geometry-conditioned方法。依据 ADR-1522026 年 SOTA 调研发现坐标过拟合coordinate overfitting是相机监督 WiFi 姿态的命名性失败模式——直接回归相机坐标系会记忆特定收发机布局跨场景 MPJPE 退化到 600mm 以上。对策是融合收发机几何位置嵌入NodeGeometry embeddings与 CSI 特征这正是 ADR-152 §2.1 采纳的方案。命名提醒外部模型 WiFlowarXiv 2602.08661与本项目内部 WiFlow 模型同名但无关仓库统一用WiFlow-STD (DY2434)指代外部模型避免混淆。路径三in-browser浏览器内训练ADR-181原理WebGPU/WASM驱动的浏览器内训练器。诚实性细节当前实际执行的后端backend会以徽章badge形式显示——即诚实说明正在执行什么避免用户误以为模型是在某个隐藏的高性能后端上训练的。这一原则与 ADR-182 中「隐藏的后端必须同样诚实」的要求一致。发布数字前的四步检查清单train-pose 文档规定在发布任何准确率数字之前必须依次完成在同一数据划分上运行 mean-pose 基线Run the mean-pose baseline on the same split——不是近似值不是历史值必须与你的模型共用完全相同的留出集与协议以 pp百分点报告(model − baseline)增量并给出划分定义chronological按时间顺序划分/ blocked-gap带间隙的块划分/ grouped-bucket分组桶划分确保无泄漏用ruview_claim_check检查成稿——它会标记任何未标注untagged的声明以及 100%/perfect 类表述如果是与 SOTA 的对比基准只有当附带可复现器reproducer时才能标注MEASURED-EQUIVALENT。证据等级体系这套清单背后是一套完整的证据等级语言贯穿整个仓库标签含义引用条件MEASURED在本仓库硬件/数据上实测附带复现路径verify.py、witness bundle、held-out vs mean-poseMEASURED-EQUIVALENT复现了外部论文的声明必须附带 reproducer如 WiFlow-STD 的重训练记录CLAIMED论文作者自报、未经复现不得作为可比数字直接引用RETRACTED已被撤回的历史声明只能以已撤回形式提及如 92.9% / 100%ADR-152 §2.2 给出了一个完整的执行案例外部 WiFlow-STD 论文声称 97.25% PCK20但 (a) 其官方 checkpoint 在本仓库复现仅 0.08%归一化错误(b) 修复后按上游默认超参重训练才复现出 96.09%因此结论定为MEASURED-EQUIVALENT而非直接采信论文数字同时 (b)/(c) 两项测量在我们的 ESP32 数据上微调、在其数据集上跑我们的模型保持开放。源码级护栏ruview_claim_check是如何执行的train-pose 文档要求用ruview_claim_check检查成稿这一要求不是口头建议而是 harness/ruview 中一个真实可运行的 CLI/MCP 工具。命令行用法# 以 CLI 动词方式运行对成稿做静态检查未标注声明时非零退出码 npx ruvnet/ruview claim-check --file REPORT.md # 通过 MCP server 暴露为工具ruview_claim_check npx ruvnet/ruview mcp start实现要点src/guardrails.js允许的证据标签白名单[measured, claimed, synthetic, unvalidated, baseline]—— 任何声明必须落在这些标签之一强上下文词verify.py、witness、mean-pose、held-out、baseline、reproduce、sha256、boot log、pck20 vs、expected_features等会作为证据路径提示被识别针对撤回声明的专门检测perfect / 100% 框架是项目特定撤回的声明永远按高严重度处理——源码注释明确写道裸的 100% 只有在与准确率语境相邻时才被定罪避免误伤 100% CPU 之类表述这正是92.9%/100%教训的直接代码化输出通过时返回claim-check: PASS — no untagged or overstated accuracy claims.失败时给出具体行级原因与改写建议如改为 held-out 数字对照 mean-pose 基线标注 MEASURED或将旧声明标记为 retracted。测试侧harness/ruview/test/policy.test.mjs 会故意注入一个未标注的 100% accuracy 字符串并断言其被标记用红队方式验证护栏没有被静默绕过。完整实战流程从采集到发布的纪律化闭环将上述内容串联起来一次符合 train-pose 纪律的训练与发布流程是数据采集ADR-079 协议每房间约 30 分钟、6 个会话baseline / standing / sitting / walking / mixed / multi-person产生约 18 万 CSI 帧 → 20 帧窗口化为约 9,000 个配对样本增强后约 27,000 个有效样本。相机帧只在本地由 MediaPipe 处理、原始视频永不落盘只存[x,y]关键点坐标训练完成后可删除data/ground-truth/配对与训练align-ground-truth.js→train-wiflow-supervised.js对比预训练 → 监督回归 → 骨骼约束微调 → int8 量化导出先跑基线在同一留出集上运行 mean-pose 基线记录其 PCK评测模型eval-wiflow.js在 20% 留出数据上计算 PCK20 等指标只报增量以(model − baseline)pp 形式呈现注明划分方式与无泄漏保证过闸门npx ruvnet/ruview claim-check --file REPORT.md确保无未标注声明与外部 SOTA 对比时仅以 MEASURED-EQUIVALENT 且带 reproducer 的形式呈现诚实声明当前后端浏览器 WebGPU/WASM 或其他以徽章明示不隐藏执行环境。这套闭环的价值在于它把不要夸大从一个模糊的价值观变成了可由静态检查工具强制、有基线数学依据、有撤回先例背书的可执行流程。任何后续模型发布无论走相机监督、无相机还是浏览器内训练路径都必须先通过 mean-pose 基线这一关——因为在 WiFi 姿态估计里能赢过猜均值的模型才配得上一个带标签的数字。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考