项目卡片
- 项目：RuView[1]
- 状态：v0.6.2-esp32 / 47,993 Stars / MIT / 活跃开发中
- 一句话判断：WiFi 感知领域当前最完整的开源方案，工程深度远超同类，但多项高级功能仍处于早期实验阶段。
你的路由器每时每刻都在发射无线电波。当一个人走进房间，哪怕隔着墙壁，电波也会被他的身体散射、反射、吸收——这些变化是可测量的。
RuView 用 9 美元一块的 ESP32-S3 捕获 WiFi 信道状态信息（CSI），通过信号处理到神经网络的完整流水线，把电波扰动还原成有用信息：有人吗、呼吸频率多少、心率多少。
我翻完仓库后的第一反应是工程深度远超预期——15 个 Rust crate、1.2 万行 C 固件、79 篇 ADR，在开源 WiFi 感知领域几乎是独一无二的体量。
没有摄像头，没有穿戴设备，不联网。核心成本就是一块 ESP32。
它不是什么
在展开之前先说清楚 RuView 不是什么。
它不是读心术。WiFi CSI 感知的本质是多径效应分析——人的身体改变了电磁波传播路径，ESP32 捕获这些变化并提取模式。精度受物理条件限制：单个 AP 大约区分 3-5 人，穿墙感知有效距离约 5 米。
它也不是即插即用的消费级产品。当前标注 Beta，最近一次更新还修复了 Timer Service 栈溢出导致启动 1 秒后崩溃的问题，部分 ADR 还是 Proposed 状态。
它是一个工程原型——但作为一个开源工程原型，它的完成度令人惊讶。
架构：三层分离
RuView 的系统分三层，每一层都独立可运行：
底层是 ESP32 固件（C 语言，约 1.2 万行）。从 WiFi 芯片提取 CSI 原始数据，做边缘信号处理（呼吸/心跳检测、跌倒判定），通过 UDP 发送数据帧。最新版引入了 ADR-081 五层架构（Radio Abstraction Layer / Adaptive Controller / Mesh Sensing Plane / On-device Feature Extraction / Rust Handoff），让同一套控制器适配不同射频芯片。60 字节紧凑特征包（rv_feature_state_t）把带宽从 ~100 KB/s 压到 300 B/s，压缩比 99.7%。
中间层是 Rust 信号处理引擎（15 个 crate，约 15.8 万行）。wifi-densepose-signal 实现 Hampel 滤波、相位解卷绕、Fresnel 几何、微多普勒提取；wifi-densepose-ruvector 集成子载波选择、注意力机制、Stoer-Wagner 最小割人员分离；wifi-densepose-train 提供从数据收集到模型训练的完整流水线。
上层是可视化与 API 服务。Rust Axum 服务器 + Three.js 前端，Docker 一键启动，不需要硬件就能用模拟数据体验。
核心能力与成熟度
RuView 声称支持的能力非常多，从存在检测到姿态估计到穿墙搜救，跨度极大。我翻了一遍源码和测试，按实际验证情况把它们分成三个档位。
已验证可用
存在检测：60,630 个过夜样本，100% 准确率。推理 0.012 ms，单台 Mac Mini 处理 1,600+ 节点。预训练模型已发 HuggingFace，4-bit 量化仅 8 KB。
生命体征：呼吸 6-30 BPM、心率 40-120 BPM，基于 FFT 频谱分析。支持 60 GHz 毫米波雷达融合，实测 52 cm 距离心率 75 bpm。
跌倒检测：角速度阈值 15.0 rad/s²（正常行走不触发），3 帧去抖 + 5 秒冷却，实测 0 误报。
快速上手：Docker 方案确实做到了一条命令启动。docker pull ruvnet/wifi-densepose:latest && docker run -p 3000:3000 ruvnet/wifi-densepose:latest，打开浏览器即可看到模拟数据驱动的完整界面。
基本可用但有限制
姿态估计：WiFlow 架构（TCN + axial attention），17 个 COCO 关键点。无监督训练下精度有限；配合摄像头做监督训练可达 92.9% PCK@20（需 5 分钟收集配对数据）。无摄像头方案精度会打折。
多人追踪：Stoer-Wagner 最小割算法修复了长期 bug（Issue #348），多人融合用 GATv2 注意力机制，但效果高度依赖房间布局和节点部署。
多频率 mesh：ESP32 在 6 个 WiFi 信道间跳频，甚至利用邻居路由器做被动雷达。功能代码存在，但部署复杂度显著上升。
仍在纸面上
穿墙搜救（WiFi-MAT）：代码实现了多 AP 三角定位和伤情分类，但"穿透 30cm 混凝土"的能力没有实测数据支撑。
65 个边缘 WASM 模块：代码存在、609 个测试通过，但从手势识别到情感检测，很多更像是概念验证，缺少真实场景测试报告。
跨环境泛化（MERIDIAN）：ADR-027 描述了对抗性领域泛化方案（1,858 行代码、72 个测试），但缺少跨房间/跨建筑的实测验证。
信号处理管线的真实设计
抛开那些宏大的应用场景，我认为 RuView 最有价值的部分是它的信号处理管线。从源码中提炼出的真实数据流如下：
WiFi 路由器 → ESP32-S3 mesh 捕获 CSI（信道 1/6/11，TDM 协议）
↓ 多频段融合（3 信道 × 56 子载波 = 168 虚拟子载波）
↓ 多基站融合（N×(N-1) 链路 → 注意力加权跨视点嵌入）
↓ 一致性门控（Z-score 相位一致性 + 滞后门控）
↓ 信号处理（Hampel / Fresnel / BVP / 频谱图）
↓ AI 骨干网（RuVector：注意力 + 图算法 + 场模型）
→ 输出：姿态 + 呼吸 + 心率 + 房间指纹
几个值得注意的工程决策：
-
CSI 而非 RSSI：大多数 WiFi 感知方案只利用 RSSI，精度有限。RuView 直接提取完整 CSI——每个子载波的幅度和相位——信息量大几个数量级。代价是只支持 ESP32-S3 和研究级 NIC，不支持 ESP32-C3 和原版 ESP32。
-
一致性门控：不是所有时刻的 CSI 都可信。coherence gate 用 Z-score 相位一致性评分加滞后门控，自动决定接受、预测或拒绝每帧数据，这是系统能稳定运行数天无需调参的关键。
-
Adaptive Controller（ADR-081）：三层闭环控制——快环（
200ms）调采样频率、中环（1s）切信道、慢环（~30s）重校准基线。真正的控制系统设计，不是 if-else。
开发体验
如果你想上手试一下，几个关键信息：
最低门槛：Docker 方案，零硬件。拉镜像运行，浏览器打开 localhost:3000 即可体验完整 UI（模拟数据）。
入门硬件：一块 ESP32-S3（8MB Flash），约 9 美元。串口烧录固件，用 provision.py 配 WiFi，固件自动通过 UDP 发送 CSI 数据。
推荐配置：2-3 块 ESP32-S3 组 mesh，连接同一路由器，多节点显著提升检测精度。
测试覆盖是强项：1,463 个测试通过。Rust 侧 1,031+，Python 侧有确定性验证脚本（参考信号 + SHA-256 哈希），固件侧有 QEMU 模拟和主机端单元测试。
值得警惕的地方
这个项目有几个需要注意的问题：
scope 膨胀。不到一年半时间，项目从"WiFi 姿态估计"膨胀到涵盖睡眠监测、灾害搜救、材料分类、被动雷达、情感检测等几十个方向。79 篇 ADR 说明文档化做得好，但方向太多，任何一个的深度都可能受限。
CLAUDE.md 暴露的信息。项目的 CLAUDE.md 主要描述 Claude Flow 多智能体编排框架，而非 WiFi 感知本身——说明开发大量依赖 AI 辅助。15.8 万行 Rust 中有多少经过真实场景验证，需要你自己判断。
安全修复记录。CHANGELOG 中记录了 SQL 注入、XSS、命令注入、路径穿越等安全修复。对于一个处理敏感感知数据（生命体征、人员位置）的系统，这些修复说明早期安全实践有待加强。
单作者项目的可持续性。仓库 owner rUv 是项目的主要贡献者。这个规模的代码库（15.8 万行 Rust + 1.2 万行 C + Python + JS），长期维护是一个现实挑战。
总结
RuView 是 WiFi 感知开源领域目前最完整的实现。存在检测和生命体征提取已经具备实用价值，如果你需要在隐私敏感场景做人员感知，这是一个值得认真评估的方案。
项目当前真正能打的是基础感知能力和工程架构。穿墙搜救、情感检测、量子启发计算这些方向展示了技术天花板，但距离落地还有相当距离。建议从存在检测和生命体征开始验证——代码和测试最扎实。
如果这篇对你有用，建议点个关注。我会持续把 GitHub 上值得用的 AI 工具拆成「最短上手闭环 + 坑点清单 + 可复用配置」，让你少走弯路。
引用链接
[1]RuView: https://github.com/ruvnet/RuView