今天在 GitHub Trending 上看到一个非常有科幻感的项目：RuView，它能把家里普通的 WiFi 路由器变成一个穿墙感知系统——无需摄像头、无需穿戴设备，仅靠无线电信号的反射就能检测人是否存在、测量呼吸心率、识别跌倒，甚至估计人体姿态。

一、项目概述

RuView（π RuView）是一个开源的 WiFi 感知平台，核心理念是：你家里每个 WiFi 路由器都在不断发射无线电波，人在房间里的移动、呼吸甚至静坐都会对这些电波产生可测量的扰动。RuView 通过 ESP32 传感器采集信道状态信息（CSI），再用预训练的小型神经网络将这些扰动转化为可操作的数据。

核心能力包括：

  • 人体存在检测：穿墙识别人数、进出追踪
  • 生命体征监测：无接触呼吸频率（6-30 BPM）和心率（40-120 BPM）
  • 活动识别：行走、坐下、手势、跌倒
  • 17 关键点姿态估计：在 MM-Fi 数据集上达到 82.69% torso-PCK@20，超越 MultiFormer 和 CSI2Pose
  • 睡眠质量监测：整夜睡眠阶段分类和呼吸暂停筛查
  • 环境映射：RF 指纹识别房间、检测家具移动

最令人印象深刻的是成本——每个传感器节点只需 9 美元的 ESP32 板，模型经 4-bit 量化后仅 8 KB，在树莓派上运行时间以微秒计。

二、技术原理

2.1 CSI 信号采集

WiFi 通信中的 CSI（Channel State Information）记录了每个子载波的幅度和相位信息。当信号在空间中传播并遇到人体时，反射、衍射和散射会导致 CSI 发生变化。ESP32-S3 的 CSI streaming 功能可以实时捕获这些变化。

// CSI 信号处理流程示意
原始 CSI → 去噪 → 子载波选择 → 相位unwrap →
带通滤波 → 特征提取 → 模型推理 → 语义状态输出

2.2 脉冲神经网络（SNN）

RuView 使用脉冲神经网络进行环境学习，30 秒内即可适配新环境。相比传统 ANN，SNN 在功耗和实时性上有天然优势，非常适合 ESP32 等边缘硬件。

2.3 多频率网格扫描

系统在 6 个 WiFi 信道上进行扫描，甚至可以利用邻居家的路由器作为额外的雷达信号源（“free radar illuminators”），显著提升了感知覆盖范围和精度。

2.4 密码学证明链

每条测量数据都通过 Ed25519 见证链（witness chain） 进行密码学签名，确保数据来源可信、不可篡改——这在安全监控场景中至关重要。

2.5 技术架构概览

ESP32 节点（$9/个）
  ├── CSI 采集 & 边缘推理（Rust 编写）
  ├── 6 信道多频扫描
  └── Ed25519 数据签名
        ↓ MQTT / Matter
Cognitum Seed（持久存储 + AI 集成）
  ├── 环境指纹库
  ├── SNN 在线学习
  └── 21 个实体/节点（11 原始信号 + 10 语义状态）
        ↓
智能家居平台
  ├── Home Assistant（MQTT）
  ├── Apple Home（HAP 1.1）
  ├── Google Home / Alexa（Matter）
  └── SmartThings

2.6 姿态估计模型

RuView 发布在 Hugging Face 上的 wifi-densepose-pretrained 模型包含一个 128 维对比编码器，v2 编码器在 held-out 数据上实现了 82.3% 的时间三元组准确率。姿态估计模块 cog-pose-estimation 在 Pi 5 上冷启动仅需 8.4 ms。

三、安装与快速开始

3.1 环境要求

  • ESP32-S3 开发板（推荐，支持 CSI streaming）
  • Cognitum Seed 或树莓派（可选，用于中枢推理）
  • Rust 1.85+（编译固件）
  • Docker（可选，运行中枢服务）

3.2 快速启动（Docker 方式）

# 拉取多架构镜像（支持 amd64 和 arm64）
docker pull ruvnet/wifi-densepose:latest

# 启动服务
docker run -d \
  --name ruview \
  -p 8080:8080 \
  ruvnet/wifi-densepose:latest

3.3 接入 Home Assistant

# 启动时添加 MQTT 标志即可自动发布到 HA
docker run -d \
  --name ruview-ha \
  -e MQTT_HOST=homeassistant.local \
  -e MQTT_PORT=1883 \
  -p 8080:8080 \
  ruvnet/wifi-densepose:latest --mqtt

系统会自动发布 21 个实体，包括原始 CSI 信号和推断的语义状态（有人在睡觉、可能遇险、房间活跃、老年人异常静止、会议进行中等）。

3.4 ESP32 固件烧录

# 克隆仓库
git clone https://github.com/ruvnet/RuView.git
cd RuView/firmware

# 使用 espflash 烧录
espflash flash --monitor

四、使用方法与实战

4.1 呼吸与心率监测

系统通过 CSI 相位信号的带通滤波实现生命体征提取：

  • 呼吸率：0.1–0.5 Hz 带通滤波 + 相位方差 + 过零 BPM 检测
  • 心率：0.8–2.0 Hz 带通滤波 + 过零 BPM 检测

无需接触身体，人在床上睡觉时也能实时监测。

4.2 跌倒检测

// 跌倒检测算法核心逻辑
// 相位加速度阈值 + 3 帧去抖 + 5 秒冷却
fn detect_fall(phase_acc: f32) -> bool {
    phase_acc > FALL_THRESHOLD && debounce_frames >= 3
}

检测延迟低于 200ms，在老年人看护场景中非常关键。

4.3 多人计数

使用自适应 P95 归一化 + 运行时可调去重因子（/api/v1/config/dedup-factor），还提供 6 个专用计数器 Cog：区域占用、电梯计数、队列长度、客流统计等。

4.4 语义状态输出

每个节点输出 10 种推断的语义状态，可直接用于自动化规则：

语义状态用途
someone-sleeping自动关闭灯光
possible-distress触发紧急通知
elderly-inactivity-anomaly长者安全看护
meeting-in-progress会议室状态指示
bathroom-occupied卫生间占用提示
fall-risk-elevated跌倒风险预警

4.5 Apple Home / Siri 语音集成

作为 HAP 1.1 桥接设备接入 Apple Home 后，可以直接用 Siri 语音查询：

“Siri，卧室有人吗？”
“Siri，客厅的心率是多少？”

无需编写自定义 Skill，开箱即用。

五、常见问题与解决方案

5.1 检测精度不够

  • 确保 ESP32 节点与目标之间有足够的 WiFi 反射路径
  • 运行 30 秒环境校准让 SNN 适配当前房间
  • 尝试多节点部署，利用多频率网格扫描提升覆盖

5.2 MQTT 连接失败

  • 检查 Home Assistant 的 MQTT broker 是否已启动
  • 确认网络防火墙允许 MQTT 端口（默认 1883）
  • 验证 MQTT 凭证配置

5.3 ESP32 固件编译错误

  • 确保使用 Rust 1.85 或更高版本
  • 安装 espflash 工具：cargo install espflash
  • 检查目标芯片是否为 ESP32-S3（CSI streaming 需要此型号）

5.4 隐私担忧

  • 所有数据处理在边缘侧完成，不依赖云端
  • 无摄像头，不采集图像
  • 数据签名链确保来源可审计

六、总结

RuView 展示了一个令人兴奋的方向：将无处不在的 WiFi 信号转化为空间感知能力。它不需要昂贵的专用硬件（9 美元 ESP32 即可），不需要摄像头（保护隐私），不需要云端（数据本地处理），却能实现穿墙人体检测、生命体征监测和姿态估计。

项目代码质量很高——1463 个测试通过、Rust 编写核心模块、完整的 ADR（架构决策记录）文档、Docker 多架构支持。对于智能家居爱好者、IoT 开发者和安全监控场景来说，这是一个非常值得关注和尝试的开源项目。

项目地址：https://github.com/ruvnet/RuView