RuView
ruvnet/RuView加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你下班回家，推开门的一瞬间，手机上绑出这样一条消息——「客厅检测到 1 人，正在监测呼吸频率（16 次/分钟），心率 68bpm，睡眠质量评分 92/100。》没有摄像头，没有可穿戴设备，没有智能手表。只是客厅角落里那个 $9 的小芯片，正在「听」————WiFi信号的微小扰动。
这听起来像科幻，但它正在发生。
这个项目的作者是 rUv（ruv@ruv.net），他同时维护着 RuVector 信号智能工具链。2023-2024 年，WiFi 感知（WiFi Sensing / Channel State Information, CSI）通渐从学术圈走向开源社区。传统计算机视觉靠摄像头「看」，但摄像头有隐私问题、在黑暗中失效、无法穿墙。rUv 决定换一条路：不看像素，只「听」无线电波的回声。
他的核心渐见是：每台路由器都在持续发射 WiFi 无线电波，当这些波遇到人体时会发生反射和散将，造成可测量的信号相位与幅度变化——这就是 CSI 数据。ESP32 芯片支持读取原始 CSI 信息，精度足够挑取呼吸引起的背部起伏（毫米级位移）。这意味着，用 $9 的硬件就能做到过去需要昂贵毫米波雷达才能实现的事情。
普通路由器的 WiFi 信号像一束阳光——它照亮空间，但你不从中获取信息。RuView 把这束光变成了雷达：它向空间中发射「探测波」，分析反射回来的每一丝信号变化。
人体在房间中的存在感，会造成 WiFi 信号的多径效应（Multipath）改变－信号不再走直线，而是被墙壳、人体、桌椅反飞出十条路径。当人移动时，这些路径的长度在连续变化，CSI 数据的相位随之旋转，RuView 用 MinCut 图切算法 将混合信号分离出单人的身体轨迹。
1. 存在感知（Presence Detection） 通过 CSI 振幅异常检测判断房间内是否有人，支持穿墙检测。对独居老人看护场景特别有价值——子女不在家时，系统实时监测老人是否还在活动区域。
2. 生命体征监测（Vital Sign Monitoring） 非接触式测量呼吸频率和心率。算法提取 CSI 信号的周期性分量，通过频谱分析识别心跳（1-2Hz）和呼吸（0.2-0.5Hz）的特征频段。单 ESP32 节点可达到临床级呼吸监测精度，多节点融合后心率误差e < 5bpm。
3. 人体姿态估计（WiFi DensePose） 最硬核的功能：把 CSI 数据送入 DensePose 风格神练网络，估计人的骨骼关键点（身干、四腿）。当前 beta 精度约 PCK@20 ≈ 2.5%（proxy labels），团队正在推进相机真值训练方案（ADR-079），目标 35%+ PCK@20。
4. 活动识别与环境映射 通过 CSI 时序模式识别具体动作（走路、坐下、踢倒），并利用 RF 指纹技术（Frequentist MinCut）识别房间布局和家具位置变化——这套系统甚至能「记住」你家的平面图。
5. 睡眠分期与睡眠呼吸暂停筛查 过夜监测睡眠阶段（浅睡/深睡/REM），并检测呼吸暂停事件。已集成基于脉冲神练网络（Spiking Neural Network）的本地学习器，30 秒内完成环境自适应。
项目分为两层核心：
**前端感知层：**ESP32-C6/S3 组成的无线 mesh 网络，运行 CSI 采集固件（firmware/ 目录）。支持多节点协同——多个 ESP32 节点可从不同角度「听」同一个房间，融合后空间分辨率大幅提升。每个测量节点生成 Ed25519 密码学观察证明链（Cryptographic Attestation），保证数据不可篡改。
**后端分析层：**Rust 写的 sensing-server（v2/ 目录），基于 RuVector 信号智能库构建。提供 REST API（:3000）和 WebSocket（:3001），支持实时推送分析结果。Web UI 有三个看板：legacy index.html、实时 observatory.html、姿态融合 pose-fusion.html。
脉冲神练网络（SNN）用于本地边缘推理，MinCut 图切用于多径分离，DensePose 风格 CNN 用于姿态估计。
| 方式 | 难度 | 说明 |
|---|---|---|
| Web UI（推荐） | 低 | Docker Compose 一键启动，浏览器访问 localhost:3000，适合快速体验 |
| ESP32 固件 | 中 | 需要烹录固件，ESP32-C6 或 ESP32-S3（双核，C3/原始 ESP32 不支持） |
| 本地 Rust 编译 | 高 | 需要 Rust 1.85+ 和全套 RuVector vendor 依赖 |
| Cognitum Seed 集成 | 高 | 需要额外硬件（Seed 模块），支持持久记忆和 AI 集成 |
最简单路径：docker compose -f docker/docker-compose.yml up，30 分钟内可以跑起来并看到模拟数据。
精度问题：作者在 README 中谨言，当前的无相机姿态估计精度（PCK@20 ≈ 2.5%）距离实用还有距离。多节点部署能改善，但单节点场景体验有限。相机的监督训练方案（ADR-079）还在数据采集阶段，距离上线尚有时日。
硬件依赖：ESP32-C3 和初代 ESP32 不支持（单核，无法运行 CSI DSP）。官方推荐的 Cognitum Seed 硬件并非通用配件，增加了入门成本。
隐私风险：虽然不采集视频，但 WiFi 感知本质上是对物理空间的持续监控。如果部署在共享环境（办公室、宿舍），涉及多方隐私告知问题，项目文档未对此做充分讨论。
Beta 状态：API 和固件仍在快速迭代中，生产环境使用存在接口变更风险。
RuView 代表着 AI 感知从「视觉中心」向「多模态 RF 感知」的扩展趋势。在养老监护、婴儿监控、隐私敏感场景中，摄像头方案天然受限，而 WiFi/毫米波/声波等 RF 感知路线正在填补空白。GitHub 上同类项目也在快速增长。
作者 rUv 的长期路线图是将 RuView 发展为完全本地化、可验证的「空间智能」基础设施工具——不依赖云端，所有处理在边缘完成，数据通过 Ed25519 见证链保证可信。这个方向与当前隐私计算、本地 AI 的潮流高度身近。
⭐ 64439 Stars | MIT License | Rust + Python | ruvnet/RuView