RuView：用普通 WiFi 信号实现穿墙空间感知与生命体征监测
📌 核心观点
WiFi 信号本身就是传感器。 RuView 利用 ESP32 芯片采集信道状态信息（CSI），通过分析人体对无线电波的扰动，实现无摄像头、无穿戴设备的室内空间感知与生命体征监测。
- 无需摄像头、无需可穿戴设备、无需联网、无需订阅云服务
- 单节点硬件成本最低 9** （ESP32-S3），完整系统约 **140
- 模型体积极小（4-bit 量化后仅 8 KB），可在树莓派上微秒级推理
- 完全本地边缘运行，每次测量通过 Ed25519 见证链做密码学认证
🔑 关键信息
1. 技术原理
| 物理基础 | 说明 |
|---|---|
| 信道状态信息（CSI） | WiFi 路由器已将射频充满空间，人体移动/呼吸会扰动这些波，ESP32 可精确捕捉扰动 |
| 多频 Mesh 扫描 | 跨 6 个 WiFi 信道跳频，TDM 时隙调度，感知带宽提升 3× |
| 借用邻居路由器 | 多路径建模中可将周边路由器用作免费"雷达照明源" |
| 菲涅尔区几何 | 穿墙感知距离可达约 5 米（取决于信号质量） |
| 脉冲神经网络（SNN） | 本地自适应学习，冷启动校准时间 < 30 秒 |
2. 可感知的能力矩阵
| 能力 | 技术手段 | 性能指标 |
|---|---|---|
| 🫁 呼吸率 | 相位带通滤波（0.1--0.5 Hz）+ 零交叉计数 | 6--30 次/分，实时 |
| 💓 心率 | 带通滤波（0.8--2.0 Hz）+ 零交叉计数 | 40--120 BPM，实时 |
| 👤 存在检测 | HuggingFace 预训练模型 + 相位方差兜底 | < 1 ms，~30 s 环境校准 |
| 🦴 17 关键点姿态估计 | MM-Fi 数据集 SOTA，躯干 PCK@20 = 82.69% | Pi 5 冷启动 8.4 ms |
| 🤸 跌倒检测 | 相位加速度阈值 + 3 帧去抖 + 5 s 冷却 | < 200 ms |
| 🧮 多人计数 | 自适应 P95 归一化 + 可调去重因子 | 实时，自校准 |
| 😴 睡眠质量 | 夜间连续监测 + 睡眠分期 + 呼吸暂停筛查 | --- |
| 🌍 世界模型预测 | OccWorld TransVQVAE，预测未来 15 帧占用 | 推理 209 ms |
| 📡 3D 点云融合 | MiDaS 深度 + WiFi CSI + mmWave 雷达 | 22 ms，19K+ 点/帧 |
3. 语义状态推断（10 种）
系统在原始信号之上推断高层语义，每个节点自动上报 21 个实体（11 原始信号 + 10 语义状态）：
someone-sleeping # 有人在睡觉
possible-distress # 可能处于困境
room-active # 房间有活动
elderly-inactivity-anomaly # 老年人异常静止
meeting-in-progress # 会议进行中
bathroom-occupied # 卫生间有人
fall-risk-elevated # 跌倒风险升高
bed-exit # 离床事件
no-movement # 无移动
multi-room-transition # 跨房间移动4. 智能家居生态集成
| 平台 | 集成方式 |
|---|---|
| Home Assistant | --mqtt 参数一键接入，HA-DISCO MQTT 发布，含 3 个 Blueprint |
| Apple Home / HomePod | HAP-1.1 Bridge，可发现设备配对 |
| Google Home / Amazon Alexa | 通过 HA Bridge 或 Matter 端点接入 |
| 语音助手 | Siri / Google Assistant / Alexa 无需自定义技能即可查询房间状态 |
5. 硬件选项
| 方案 | 硬件 | 成本 | 完整 CSI |
|---|---|---|---|
| ESP32-S3（推荐入门） | ESP32-S3 | $9 | ✅ |
| ESP32-C6（研究级） | ESP32-C6，支持 WiFi 6 + 802.15.4 Mesh | $6--10 | ✅ |
| 完整系统 | ESP32 + Cognitum Seed | ~$140 | ✅ + 持久向量存储/kNN/见证链 |
| Docker 评估 | 任意电脑 | 免费 | ❌（仿真数据） |
| 普通消费级笔记本 | --- | --- | ❌ 仅 RSSI 存在检测 |
💻 代码 / 快速上手示例
方式一：Docker（无需硬件）
bash
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# 浏览器打开 http://localhost:3000方式二：烧录 ESP32-S3 固件
bash
# 烧录固件
python -m esptool --chip esp32s3 --port COM9 --baud 460800 \
write_flash 0x0 bootloader.bin 0x8000 partition-table.bin \
0xf000 ota_data_initial.bin 0x20000 esp32-csi-node.bin
# 配置 WiFi
python firmware/esp32-csi-node/provision.py --port COM9 \
--ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20方式三：Python（PyPI）
bash
pip install ruview
# 或带异步 WebSocket + MQTT 客户端
pip install "ruview[client]"
python
from ruview import BreathingExtractor, HeartRateExtractor
from ruview.client import SensingClient, RuViewMqttClient方式四：完整系统脚本
bash
# 实时 RF 房间扫描
node scripts/rf-scan.js --port 5006
# SNN 实时学习
node scripts/snn-csi-processor.js --port 5006
# 正确人数统计
node scripts/mincut-person-counter.js --port 5006🤖 模型与基准
| 模型 | 指标 | 备注 |
|---|---|---|
ruvnet/wifi-densepose-pretrained |
时序三元组准确率 82.3%（v2） | HuggingFace 发布，旧版"100%存在检测"已撤回 |
ruvnet/wifi-densepose-mmfi-pose |
MM-Fi 躯干 PCK@20 = 82.69%（集成 83.59%） | 超越 MultiFormer（72.25%）和 CSI2Pose（68.41%） |
| CSI 嵌入编码器 | 128 维，4-bit 量化 8 KB，164,183 嵌入/秒（M4 Pro） | 自监督对比学习，1220 万训练步 |
💡 个人启发
-
隐私友好的感知范式正在崛起：无摄像头、无穿戴、无云端------RuView 证明了用射频物理学替代视觉监控是完全可行的，为老年护理、居家安防、医疗监测提供了一条隐私合规的新路径。
-
"8KB 模型"的震撼：4-bit 量化后仅 8 KB 即可完成生命体征推断，这挑战了"AI 需要大模型"的惯性思维，极端边缘化部署在廉价 MCU 上正在成为现实。
-
借用环境基础设施：利用邻居路由器作为"免费雷达"的思路极具启发性------充分挖掘已有基础设施的潜力，是低成本 IoT 系统设计的重要哲学。
-
密码学可信链与 AI 的结合：Ed25519 见证链将每次传感测量与密码学证明绑定，为 AI 感知数据的可审计性树立了工程标杆。
🔭 延伸思考
-
隐私与滥用的边界在哪里？
WiFi 穿墙感知若被恶意使用（如非法监控邻居），现有法律框架是否足以应对？如何在技术层面内置"感知授权"机制，确保只有空间所有者才能激活感知能力？
-
CSI 感知的泛化性能是否依赖场景？
模型在特定房间校准后，换一个完全不同的户型（反射面、家具布局迥异）是否需要重新训练？30 秒的环境自适应在复杂多人场景下是否真的足够？
-
WiFi 感知 + LLM 的下一步是什么？
若将 RuView 的实时语义状态流（如"老人异常静止 20 分钟"）接入大语言模型作为上下文，是否能构建真正主动的家庭 AI Agent，而不只是被动响应语音指令？这一融合的延迟与可靠性挑战如何克服？