RuView：用 WiFi 信号隔墙感知人体姿态和生命体征，8.5万 Star 的开源 WiFi 感知平台

8.5 万 Star，日增超 1000。一个叫 RuView 的开源项目正在 GitHub 上爆火，它做的事情听起来像科幻：用普通 WiFi 信号隔墙感知人体姿态、测量呼吸和心率，全程不需要摄像头。

项目由 Reuven Cohen 开发，使用 Rust 编写，MIT 许开源，底层技术源自卡内基梅隆大学（CMU）2023 年发表的论文《DensePose From WiFi》（arXiv:2301.00250）。CMU 的研究证明了用 WiFi 信号进行人体密集姿态估计在技术上是可行的，RuView 则把这套理论工程化成了一个完整的边缘感知平台。

WiFi 怎么"看见"人

WiFi 路由器不断发射无线电波，这些波在房间内反射、折射、散射，形成复杂的多径环境。当房间里有人活动时——哪怕只是胸腔随着呼吸起伏——电波的传播路径就会发生变化。这些变化被接收端以 CSI（Channel State Information，信道状态信息）的形式记录下来。

CSI 描述的是无线信道在每个频率子载波上的幅度和相位变化。一个空房间的 CSI 与有人站着的 CSI 不同；同一个人站着和走路时的 CSI 也不同。关键在于：人的呼吸频率在 0.1-0.5 Hz 之间，心跳在 0.8-2.0 Hz 之间，这些微弱但周期性的扰动同样会在 CSI 中留下指纹。

RuView 的处理流程是这样的：一块 9 美元的 ESP32-S3 开发板负责采集 CSI 数据流，通过带通滤波提取特定频段的信号特征——0.1-0.5 Hz 提取呼吸率，0.8-2.0 Hz 提取心率，然后用零交叉检测和 FFT 峰值检测算出 BPM 值。姿态估计则依赖预训练模型，从 CSI 的时序模式中映射出 17 个关键点的人体骨架（COCO 格式）。

核心 benchmark：MM-Fi 上的突破

RuView 团队在 HuggingFace 上发布了 WiFi 姿态估计模型 ruvnet/wifi-densepose-mmfi-pose，在公开的 MM-Fi 基准上达到了新的 SOTA（State of the Art）：

torso-PCK@20 是人体姿态估计的标准评测指标，表示预测的关键点与真实位置距离在躯干尺寸 20% 以内就算正确。RuView 单模型就比此前 SOTA 高出超过 10 个百分点。

预训练的 CSI 编码器（对比学习，128 维嵌入）在留出测试集上达到 82.3% 的时序三元组准确率。这个编码器经过 4-bit 量化后只有 8 KB，可以在树莓派上以微秒级延迟运行，在 M4 Pro 上达到每秒 164,183 次嵌入提取。

硬件方案与成本

RuView 的感知能力依赖 CSI 数据，普通家用路由器不暴露 CSI（只提供 RSSI 粗粒度信号强度）。项目支持几种硬件路径：

ESP32-S3 是 Espressif 的旗舰 WiFi MCU，双核 240MHz，支持 AI 指令集。Espressif 官方维护的 esp-csi 库已支持全系列 ESP32 芯片的 CSI 提取。RuView 利用了多频段 mesh 扫描技术（ADR-029），跨 6 个 WiFi 信道跳频，将邻居路由器的信号当作免费的雷达照射源，实现 3 倍感知带宽。

105 个边缘模块：从跌倒检测到蜂巢监控

RuView 的架构设计为模块化（项目称之为 Cog）。每个 Cog 是一个约 400KB 的签名二进制程序，直接在 ESP32 传感器上运行，无需联网。当前目录已有 105 个模块，覆盖健康、安全、建筑、零售、工业、研究和 AI 等领域：

健康模块（14 个）包括非接触式心率监测、呼吸暂停筛查、癫痫检测、步态分析和跌倒检测。跌倒检测模块通过相位加速度阈值触发，响应时间小于 200ms，配 3 帧去抖和 5 秒冷却防误报。

安全模块（14 个）有入侵检测、徘徊告警、尾随检测（tailgating）、玻璃破碎声学检测等。入侵检测模块在 CSI 层面感知未授权人员进入，不依赖摄像头。

建筑与零售模块覆盖电梯计数、排队长度估计、客流量分析、停车位占用——全部通过 WiFi CSI 完成，不装摄像头。

工业模块包含洁净室人数上限强制、叉车接近告警、结构振动监测。蜂巢监控模块通过声学频带能量 + 混沌度 + 管蜂声自相关来判断蜂群状态（健康/混乱/无蜂王/分蜂/盗蜂）。

诚实标注：哪些是真的，哪些还在路上

RuView README 中有一段罕见的"诚实标注"（Honest Labeling），把项目能力的成熟度分成三层：

已验证（Real & validated）：存在检测（82.3% 准确率）、MM-Fi 姿态模型（82.69% PCK@20）、人员计数。这些有公开 benchmark 和可复现的验证脚本。

真实但薄弱（Real but weak）：设备端 17 关键点姿态模型。当前提交的 pose_v1 在 217 个样本的留出测试上 PCK@20 只有 3.0%，远低于项目自设的 ≥35% 目标。运行时路径还在用返回 confidence=0 的桩函数。单天线 ESP32 的 56 子载波 CSI 确实不足以支撑高精度姿态估计——这需要多天线 NIC 的研究级硬件。

仅架构，无权重（Architecture only）：archive/v1 中的 DensePoseHead 是随机初始化，没有任何 checkpoint 文件。已弃用。

项目明确指出：当前可以宣传的可靠姿态精度是 MM-Fi benchmark 数字（多天线研究级硬件上的结果），不是单块 ESP32 上的实时结果。这种区分在 GitHub 项目中相当少见。

隐私的双刃剑

WiFi 感知技术的隐私维度比摄像头更复杂。一方面，它不采集视觉图像——没有面部、没有肤色、没有衣着细节，只有无线电反射模式。对于卧室、浴室、养老院等不适合安装摄像头的场景，这被视为一种更隐私友好的替代方案。

另一方面，它穿透墙壁工作，检测范围约 5 米。你无法像挡住摄像头那样简单地关上门就阻止 CSI 感知。检测精度与环境的电磁特性相关——金属墙会屏蔽信号，但普通石膏板和木门几乎透明。

RuView 的设计试图在两方面回应这个问题：所有处理在边缘设备本地完成，不需要上传云端；每次测量通过 Ed25519 签名的见证链（witness chain）做密码学认证，防止传感器数据被篡改或重放。但关于邻居的 WiFi 信号被当作免费雷达照射源这一设计选择，项目并未深入讨论跨边界感知的伦理边界。

CMU 论文的技术脉络

RuView 的理论基础可以追溯到 CMU 的 DensePose From WiFi 论文。该论文的核心贡献是证明了：仅用 WiFi 信号的幅度和相位作为输入，通过深度神经网络映射到 24 个人体区域的 UV 坐标，可以实现与基于图像的方法相当的多人密集姿态估计。

论文将 WiFi 信号域转换为类似图像的二维表示，然后用类似 DensePose-RCNN 的架构进行处理。关键挑战在于训练数据——WiFi CSI 与人体姿态的配对数据稀缺，研究人员使用同步摄像头系统生成标注。CMU 团队指出，公开训练数据的不足是限制该方向发展的主要瓶颈。

RuView 在工程层面做了多项扩展：Rust 重写带来原生性能（相比 Python 实现）、ESP32 嵌入式部署（降低到消费级成本）、对比学习自监督预训练（减少标注数据依赖）、以及多频段 mesh 扫描（利用邻居路由器作为多基线雷达）。这些工程选择把实验室概念推向了可部署的产品形态。

部署方式

RuView 提供四种部署路径：

1. Docker 模拟：无需硬件，用模拟数据验证信号处理管线
2. ESP32-S3 硬件：9 美元开发板刷固件，配置 WiFi 后开始感知
3. ESP32-C6：支持 WiFi 6 和 802.15.4 mesh，6-10 美元
4. Python pip 安装：pip install ruview，PyPI 上有编译好的 PyO3 wheel（约 250KB）

项目还提供了 Home Assistant、Apple Home（HAP 1.1 桥接）、Google Home 和 Amazon Alexa 的集成。每个 ESP32 节点暴露 21 个实体（11 个原始信号 + 10 个推断语义状态），Siri、Google Assistant 和 Alexa 可以直接语音查询房间占用和生命体征数据。

与传统感知方案的对比

WiFi CSI 感知的精度仍有差距——单天线 ESP32 上的姿态估计远未成熟，但存在检测和生命体征监测已经可用。在隐私敏感场景（养老院跌倒检测、婴儿呼吸监测、睡眠质量追踪），它的价值主张足够清晰。

这个项目为什么爆了

RuView 2025 年 6 月创建，到 2026 年 7 月已积累 8.5 万 Star，日增持续超 1000。几个因素叠加：

技术故事足够性感——"用 WiFi 隔墙看人"自带传播力。底层论文来自 CMU，学术可信度背书。工程化程度高——有 Docker 镜像、PyPI 包、105 个模块目录、完整 ADR 文档，远超学术论文附带代码的原型水平。硬件门槛极低（9 美元 ESP32），降低了复现和实验的门槛。隐私叙事正好切中 AI 感知时代的焦虑——无摄像头的感知方案在智能家居、医疗看护、安防监控领域有明确的市场需求。

项目作者 Reuven Cohen 在诚实标注方面的做法也赢得了开发者社区的信任——明确区分已验证的能力和还在路上的功能，撤回过高的准确率声明，公开验证脚本和 benchmark 数据。这在 GitHub 热门项目中是加分项。

GitHub Trending 日增 Star 是一个信号，说明社区正在关注这个方向。WiFi CSI 感知正在完成学术研究到开源工程化的跨越，ESP32 的普及和 Edge AI 的进步让低成本无线感知成为可能，RuView 是这条技术路径上的一个里程碑式项目。