前三篇一直在追求"把距离测准"，这一篇反过来：利用测不准。

1. 思路转变

传统测距应用关心的是：距离是多少、误差多大。

但 CS 的每一次测量，本质上是在探测两个节点之间的无线信道。这个信道由直射路径、墙面反射、家具散射共同构成。只要环境里的物体动了，多径结构就会变化，测出来的距离和相位就会抖动。

所以：

距离读数的抖动，不是噪声，而是环境变化的信号。

这就是「环境心跳」：不追求绝对精度，而是持续观察链路的稳定性，把"抖动"当作传感器输出。

【图片1：环境心跳系统结构】

2. 指标设计

直接用原始距离做判断不稳，因为不同距离下噪声水平不同。我们改用滑动窗口内的统计量：

窗口长度取 32 个样本。按 CS 每个 procedure 一次输出，实测约 10 Hz，窗口覆盖约 3 秒，正好对应"人走过去"这个时间尺度。

2.1 阈值怎么定

先采一段静止基线，观察 var_phase 的分布，再取一个能分开基线和事件的值。我们的实测数据：

最终固件只用相位方差做主判据：

#define MOTION_VAR_PHASE 0.10f  /* 基线最大 0.066，事件从 0.13 起 */
#define MOTION_HOLD      3      /* 连续 3 个窗口超阈值才判为运动 */

RTT 的基线方差实测在 0.22–0.29 m²，远高于相位，不能作为运动判据，只用于展示。

3. 固件实现

工程在 code/article04_env_heartbeat/，基于 NCS 官方的 ras_initiator 改造。

【图片2：环境心跳固件流程】

3.1 改了什么

补丁由 tools/patch_env_heartbeat.py 自动完成，锚点找不到会直接报错，避免在错误版本上"假装成功"。

3.2 统计模块

void env_stats_push(env_stats_t *s, const cs_de_dist_estimates_t *est)
{
    s->ifft[s->idx]  = est->ifft;
    s->phase[s->idx] = est->phase_slope;
    s->rtt[s->idx]   = est->rtt;
    ...
}

方差计算会跳过 NaN：CS 在信号质量差时可能给不出有效值，直接算会污染统计。

3.3 输出格式

每行一条，方便直接存 CSV：

CSV,<uptime_ms>,<ap>,<ifft>,<phase>,<rtt>,<var_ifft>,<var_phase>,<var_rtt>,<motion>

示例：

CSV,182340,0,1.214,1.187,1.402,0.0021,0.0038,0.0092,0
CSV,182377,0,1.208,1.176,1.398,0.0023,0.0142,0.0101,0

最后一位从 0 变 1，就是"检测到环境扰动"。

3.4 编译

west build -b nrf54lm20dk/nrf54lm20b/cpuapp \
  code/article04_env_heartbeat -d build/env_heartbeat

编译结果（NCS v3.4.1）：

FLASH: 287204 B / 2036 KB (13.78%)
RAM:    67824 B /  511 KB (12.96%)

当前进度（2026-10-27）：已完成端到端实测。双板在 2.3 m 间距下稳定运行，实时检出并播放语音提示，用户确认每次回到座位都能触发。XIAO 的启动崩溃已通过直启 0x0 + 收窄 SRAM 到 160 KB + RAS 缓冲增至 8 个解决。详见 4.4 节。

4. 实验设计

4.1 三个场景

4.2 记录表

4.3 IMU 交叉验证

XIAO nRF54L15 Sense 上有 6 轴 IMU（LSM6DS3TR-C）。在反射端固件里加了 20 Hz 采样线程，两路数据用主机时间戳对齐。

实测结果（32 秒）：

• 手/人体在链路附近挥动：CS 的 var(phase) 从 0.05 升到 0.5–0.7，而 IMU 幅值保持在 9.9–10.1 m/s²，基本不动

• 平移 XIAO 本体：IMU 幅值升到 28.7 m/s²，CS 抖动同时升到 0.7–1.0

• 原始值的零延迟相关系数约 0.01；把 IMU 也做成 3.2 秒滑动方差后，相关系数约 0.18

结论：CS 抖动的主要来源是人体/手部引起的多径变化，不是板子自身的机械振动；IMU 的价值在于区分"环境动了"和"节点动了"。

【图片3：CS 抖动与 IMU 幅值的时间对齐】

4.4 实测：桌面存在感知（2026-10-27）

布置

• LM20-DK 作 Initiator，XIAO nRF54L15 作 Reflector

• 两板间距 2.3 m，XIAO 用充电头独立供电（不接电脑）

• 人坐在两板之间，动作是「起身走远 → 走回坐下」

数据

报警链路

• 语音由 edge-tts 预生成：edge-tts --voice zh-CN-XiaoxiaoNeural --text "检测到有人经过" --write-media assets/audio/alert.mp3

• tools/cs_alert.py 监听串口 CSV，在 motion 由 0 变 1 时用 afplay 播放，带 6 秒冷却

• 实测中每次走回座位都能触发，用户主观确认「每次都能正常检测到」

• 反射端自恢复：断连后由工作队列重新广播，10 秒硬件看门狗兜底；实测拔掉 LM20 后 XIAO 数秒内恢复广播，无需人工插拔电源

【图片4：实时检测曲线】

结论

在这个布置下，人坐在两个节点之间，LOS 被身体遮挡，距离读数本身已经不可信（IFFT/Phase 都远离真值）；但 var_phase 的抖动特征依然稳定地反映了人的移动。这说明「用心跳而不是用距离」的思路是成立的：测距失效的场景，恰恰是抖动感知最有价值的地方。

5. 已知局限

1. 采样率有限。 CS 的 procedure 间隔决定了上限，做不到音频级采样，只能看 1–10 Hz 的环境变化。

2. 绝对阈值依赖环境。 换房间要重新标定基线。

3. 距离影响灵敏度。 近距离时直射路径占主导，遮挡带来的变化反而更明显；远距离时多径占比高，基线噪声更大。

4. 温度漂移。 长时间测量时晶振与器件温漂会带来慢变分量，需要高通或去趋势。

5. 反射端自恢复已解决。 早期固件在断连后需要重新上电；现已改为断连工作队列重广播 + 10 秒硬件看门狗，实测拔掉对端后数秒内自动恢复广播，正常使用不再需要人工插拔电源。

6. 小结与下一步

这一篇把 CS 从"测距工具"变成了"环境传感器"：

• 用滑动窗口方差而不是瞬时距离做判断

• 用 LED 做本地反馈，用 CSV 记录原始数据

• 用 IMU 做交叉验证

如果继续做，可以往三个方向走：

• 多节点组网，做区域定位与轨迹

• 把抖动特征喂给轻量分类器，区分"人/门/宠物"

• 结合 nRF54LM20B 的 Axon NPU 做端侧推理

附：本系列回顾