RuView一块9美元的WiFi信号读出姿态与心率无摄像头感知能否过精度这一关【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/RuViewRuView 用普通 WiFi 信号完成人体姿态估计、心率与呼吸率监测和存在检测不产生一个像素的图像数据。反常识之处在于摄像头看不到的地方——隔墙、全黑——它反而看得更清楚而记录下来的只是连人脸都描述不了的无线电波数据。 CSIWiFi 中没人使用的那一半信息提到 WiFi你想到的是网速。但信号里一直藏着另一半信息信道状态信息CSI。如果说信号强度RSSI只是对方喊话的声音大小CSI 则是这个房间里每堵墙、每件家具、每个人造成的完整回声图——每个子载波上的幅度与相位变化矩阵业界称它为无线信号的指纹。这枚指纹为什么值得被读出因为人体对 2.4GHz/5GHz 无线电波来说是一个巨大的移动反射体人走动时指纹整体变形人躺着不动时胸腔随呼吸起伏仍在持续微扰信号。RuView 做的事就是把这些无形回声变成三类可行动的数据谁在、在做什么、状态是否正常。和传统摄像头路线相比它的成本结构完全不同感知方式数据形态单监控区成本额外依赖摄像头图像流隐私风险高约 $200–2,000供电、镜头维护、隐私合规流程RuView 现有 WiFi无线电波指纹仅 RSSI$0一台路由器RuView ESP32完整 CSI 指纹约 $9/节点一块 ESP32-S3 开发板注意边界笔记本自带的 WiFi 只能做粗略的存在与运动检测RSSI-only生命体征、穿墙等完整能力都需要能输出 CSI 的设备例如一块 ESP32-S3。 从电波扰动到 17 个关键点一帧 WiFi 的旅程电波怎么变成一组骨骼点跟随一帧数据它要经过四道关卡采集ESP32 组网4–6 个节点用 TDM 分时协议轮流扫描 3 个 WiFi 信道每信道提供 56 个子载波一条链路合出 3×56168 个虚拟子载波交叉核对多个节点两两构成 N×(N-1) 条观测链路系统用注意力权重把不同视角融合成一个嵌入——相当于同一人从多个角度各拍一张再对质去噪一致性门Coherence Gate先判定这帧测量收还是拒随后 Hampel、SpotFi、菲涅尔区几何等经典信号处理剥掉环境噪声与硬件偏差解码神经网络从干净特征中输出 17 个身体关键点以及呼吸6–30 BPM 频段与心率40–120 BPM 频段。为什么穿墙反而成立这是第一个反直觉点。通信工程里多径反射是干扰在 RuView 这里恰是信息来源无线电波会绕过墙角、穿透墙体菲涅尔区模型计算的就是障碍物之后还剩多少能量落在人身上。所以摄像头的盲区——墙、货架、烟尘——正是这种传感器的工作区项目给出的穿墙距离上限约 5 米取决于信号强度。第二个反直觉点更白嫖多频组网总共扫 6 个 WiFi 信道邻居家的路由器不是背景噪声而是免费的雷达照射源——系统被动复用别人早已发出的无线电能量把感知带宽扩大 3 倍自己不必架设任何发射器。 三步本地部署从 Docker 演示到 ESP32 实感这东西真能靠一块几美元的板子跑起来吗能最低门槛是先用模拟数据容器看完整链路docker pull ruvnet/wifi-densepose:latest docker run -p 3000:3000 ruvnet/wifi-densepose:latest # 浏览器打开 http://localhost:3000界面右侧内置了硬件分级指南把每档的能力边界写得很直白1 个 ESP32 1 个 AP 做存在、呼吸、粗运动2–3 块做人体定位4 块以上加训练模型才做完整姿态。接真实传感器则刷固件后用仓库内脚本配网git clone https://gitcode.com/GitHub_Trending/wi/RuView cd RuView python firmware/esp32-csi-node/provision.py --port COM9 \ --ssid YourWiFi --password secret --target-ip 192.168.1.20开发者可以直接用 Python 包——约 250 KB 的 PyO3 编译轮子覆盖提取生命体征和连接感知服务两条路pip install ruview[client] # from ruview import BreathingExtractor, HeartRateExtractor提示这是 beta 软件。ESP32-C3 与初代 ESP32 不支持单核跑不动 CSI 信号处理单节点部署空间分辨率有限建议 2 个以上节点获得最佳效果。更多步骤见官方用户指南。⚖️ 精度边界项目自己承认做不到的事比准更难得的是 RuView 有个公开习惯把自己做砸的数字也发出来。项目里的 PROOF.md 把全部声明分为三档——MEASURED已复现、CLAIMED声称未复现、DATA-GATED缺数据绝不编造数字。在那份文件里你能看到曾经宣传的 92.9% PCK 被公开撤回只在单类录制上测出的 100% 存在检测 也被换成留出的 82.3% 复测值。那它到底能做什么、不能做什么几个关键数字并排放能力现状依据姿态估计MM-Fi 公开数据集82.69% torso-PCK20三模型集成 83.59%高于 MultiFormer 72.25%、CSI2Pose 68.41%ESP32 端侧 17 关键点模型首版 PCK20 仅 3.0%低于 35% 目标仓库明确标注 first-cut推理路径仍是桩零样本迁移到新房间/新对象姿态与动作双双跌至约 64%约 30 秒室内校准后回到 72.2%个人身份识别纯 WiFi两人不可分离特征间距约 0.0005已实测并声明不做命名身份这里面藏着第三个反直觉发现项目研究发现把编码器随机冻结、只训练读取层结果与完整训练差距仅 2–4 个点——WiFi 感知里可迁移的信息不在大模型而在对特定房间的对齐。所以工程答案不是追基础模型而是 30 秒校准 每房间 1,792 参数的 MicroLoRA 适配器比从头训练省 93% 数据。还有明确的安全边界生命体征与姿态输出属研究原型不是医疗器械或认证安全系统投入运营前必须在具体硬件与房间上独立验证。 105 个 Cog一个传感器如何长成房间的第六感单项感知能力有限RuView 把能力组织成Cog——运行在感知栈旁的小而签名的二进制模块可空中下载、安装前逐一验签。目录现有 105 个4 KB 的睡眠呼吸暂停检测、8 KB 的电梯计数、451 KB 的玻璃破碎与枪声检测跌倒告警响应小于 200 ms。每条测量还可挂上 Ed25519 见证链——防篡改的审计日志——让数据不仅被看见而且可证明。家庭侧的接入同样完整每节点向 Home Assistant 发布 21 个实体11 条原始信号 10 个语义状态例如 someone-sleeping、fall-risk-elevated也能以 Matter 桥身份注册进 Apple Home / Google Home / Alexa让语音助手按房间播报存在与体征无需任何定制技能。设备端脉冲神经网络在新环境 30 秒内完成自适应该房间4 位量化后的编码模型只占 8 KB128 维 CSI 嵌入在 M4 Pro 上跑到每秒 164,183 条Pi 5 上冷启动推理 8.4 ms。往前看路线图押在两处一是多源融合——把 WiFi CSI、FMCW 雷达、UWB 与蜂窝感知统一进一个 RF 世界模型所有精度数字在真实数据验证前都标注 SYNTHETIC二是标准化跟随 802.11bf 感知协议层让 WiFi 感知从 hack 变成标准定义的服务。应用侧OccWorld 世界模型已实现 15 帧未来占用预测209 ms 推理而废墟搜救、火场烟雾这类摄像头进不去的极端场景是这套无视觉感知最自然的落点。想动手的话先跑 Docker 模拟版建立直觉再买一块 $9 的 ESP32-S3把自家卧室校准 30 秒——一套无摄像头感知系统就住进了你的客厅。【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 RuView：一块9美元的WiFi信号读出姿态与心率，无摄像头感知能否过精度这一关
RuView一块9美元的WiFi信号读出姿态与心率无摄像头感知能否过精度这一关【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/RuViewRuView 用普通 WiFi 信号完成人体姿态估计、心率与呼吸率监测和存在检测不产生一个像素的图像数据。反常识之处在于摄像头看不到的地方——隔墙、全黑——它反而看得更清楚而记录下来的只是连人脸都描述不了的无线电波数据。 CSIWiFi 中没人使用的那一半信息提到 WiFi你想到的是网速。但信号里一直藏着另一半信息信道状态信息CSI。如果说信号强度RSSI只是对方喊话的声音大小CSI 则是这个房间里每堵墙、每件家具、每个人造成的完整回声图——每个子载波上的幅度与相位变化矩阵业界称它为无线信号的指纹。这枚指纹为什么值得被读出因为人体对 2.4GHz/5GHz 无线电波来说是一个巨大的移动反射体人走动时指纹整体变形人躺着不动时胸腔随呼吸起伏仍在持续微扰信号。RuView 做的事就是把这些无形回声变成三类可行动的数据谁在、在做什么、状态是否正常。和传统摄像头路线相比它的成本结构完全不同感知方式数据形态单监控区成本额外依赖摄像头图像流隐私风险高约 $200–2,000供电、镜头维护、隐私合规流程RuView 现有 WiFi无线电波指纹仅 RSSI$0一台路由器RuView ESP32完整 CSI 指纹约 $9/节点一块 ESP32-S3 开发板注意边界笔记本自带的 WiFi 只能做粗略的存在与运动检测RSSI-only生命体征、穿墙等完整能力都需要能输出 CSI 的设备例如一块 ESP32-S3。 从电波扰动到 17 个关键点一帧 WiFi 的旅程电波怎么变成一组骨骼点跟随一帧数据它要经过四道关卡采集ESP32 组网4–6 个节点用 TDM 分时协议轮流扫描 3 个 WiFi 信道每信道提供 56 个子载波一条链路合出 3×56168 个虚拟子载波交叉核对多个节点两两构成 N×(N-1) 条观测链路系统用注意力权重把不同视角融合成一个嵌入——相当于同一人从多个角度各拍一张再对质去噪一致性门Coherence Gate先判定这帧测量收还是拒随后 Hampel、SpotFi、菲涅尔区几何等经典信号处理剥掉环境噪声与硬件偏差解码神经网络从干净特征中输出 17 个身体关键点以及呼吸6–30 BPM 频段与心率40–120 BPM 频段。为什么穿墙反而成立这是第一个反直觉点。通信工程里多径反射是干扰在 RuView 这里恰是信息来源无线电波会绕过墙角、穿透墙体菲涅尔区模型计算的就是障碍物之后还剩多少能量落在人身上。所以摄像头的盲区——墙、货架、烟尘——正是这种传感器的工作区项目给出的穿墙距离上限约 5 米取决于信号强度。第二个反直觉点更白嫖多频组网总共扫 6 个 WiFi 信道邻居家的路由器不是背景噪声而是免费的雷达照射源——系统被动复用别人早已发出的无线电能量把感知带宽扩大 3 倍自己不必架设任何发射器。 三步本地部署从 Docker 演示到 ESP32 实感这东西真能靠一块几美元的板子跑起来吗能最低门槛是先用模拟数据容器看完整链路docker pull ruvnet/wifi-densepose:latest docker run -p 3000:3000 ruvnet/wifi-densepose:latest # 浏览器打开 http://localhost:3000界面右侧内置了硬件分级指南把每档的能力边界写得很直白1 个 ESP32 1 个 AP 做存在、呼吸、粗运动2–3 块做人体定位4 块以上加训练模型才做完整姿态。接真实传感器则刷固件后用仓库内脚本配网git clone https://gitcode.com/GitHub_Trending/wi/RuView cd RuView python firmware/esp32-csi-node/provision.py --port COM9 \ --ssid YourWiFi --password secret --target-ip 192.168.1.20开发者可以直接用 Python 包——约 250 KB 的 PyO3 编译轮子覆盖提取生命体征和连接感知服务两条路pip install ruview[client] # from ruview import BreathingExtractor, HeartRateExtractor提示这是 beta 软件。ESP32-C3 与初代 ESP32 不支持单核跑不动 CSI 信号处理单节点部署空间分辨率有限建议 2 个以上节点获得最佳效果。更多步骤见官方用户指南。⚖️ 精度边界项目自己承认做不到的事比准更难得的是 RuView 有个公开习惯把自己做砸的数字也发出来。项目里的 PROOF.md 把全部声明分为三档——MEASURED已复现、CLAIMED声称未复现、DATA-GATED缺数据绝不编造数字。在那份文件里你能看到曾经宣传的 92.9% PCK 被公开撤回只在单类录制上测出的 100% 存在检测 也被换成留出的 82.3% 复测值。那它到底能做什么、不能做什么几个关键数字并排放能力现状依据姿态估计MM-Fi 公开数据集82.69% torso-PCK20三模型集成 83.59%高于 MultiFormer 72.25%、CSI2Pose 68.41%ESP32 端侧 17 关键点模型首版 PCK20 仅 3.0%低于 35% 目标仓库明确标注 first-cut推理路径仍是桩零样本迁移到新房间/新对象姿态与动作双双跌至约 64%约 30 秒室内校准后回到 72.2%个人身份识别纯 WiFi两人不可分离特征间距约 0.0005已实测并声明不做命名身份这里面藏着第三个反直觉发现项目研究发现把编码器随机冻结、只训练读取层结果与完整训练差距仅 2–4 个点——WiFi 感知里可迁移的信息不在大模型而在对特定房间的对齐。所以工程答案不是追基础模型而是 30 秒校准 每房间 1,792 参数的 MicroLoRA 适配器比从头训练省 93% 数据。还有明确的安全边界生命体征与姿态输出属研究原型不是医疗器械或认证安全系统投入运营前必须在具体硬件与房间上独立验证。 105 个 Cog一个传感器如何长成房间的第六感单项感知能力有限RuView 把能力组织成Cog——运行在感知栈旁的小而签名的二进制模块可空中下载、安装前逐一验签。目录现有 105 个4 KB 的睡眠呼吸暂停检测、8 KB 的电梯计数、451 KB 的玻璃破碎与枪声检测跌倒告警响应小于 200 ms。每条测量还可挂上 Ed25519 见证链——防篡改的审计日志——让数据不仅被看见而且可证明。家庭侧的接入同样完整每节点向 Home Assistant 发布 21 个实体11 条原始信号 10 个语义状态例如 someone-sleeping、fall-risk-elevated也能以 Matter 桥身份注册进 Apple Home / Google Home / Alexa让语音助手按房间播报存在与体征无需任何定制技能。设备端脉冲神经网络在新环境 30 秒内完成自适应该房间4 位量化后的编码模型只占 8 KB128 维 CSI 嵌入在 M4 Pro 上跑到每秒 164,183 条Pi 5 上冷启动推理 8.4 ms。往前看路线图押在两处一是多源融合——把 WiFi CSI、FMCW 雷达、UWB 与蜂窝感知统一进一个 RF 世界模型所有精度数字在真实数据验证前都标注 SYNTHETIC二是标准化跟随 802.11bf 感知协议层让 WiFi 感知从 hack 变成标准定义的服务。应用侧OccWorld 世界模型已实现 15 帧未来占用预测209 ms 推理而废墟搜救、火场烟雾这类摄像头进不去的极端场景是这套无视觉感知最自然的落点。想动手的话先跑 Docker 模拟版建立直觉再买一块 $9 的 ESP32-S3把自家卧室校准 30 秒——一套无摄像头感知系统就住进了你的客厅。【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