RuView：将普通 WiFi 转化为空间智能感知系统

这是什么

RuView 是一个基于 Rust 构建的开源项目，旨在利用现有的 WiFi 基础设施，将其转化为高精度的空间智能与感知系统。它通过捕捉和分析无线电信号在人体移动、呼吸甚至静止时产生的微小扰动（即信道状态信息，CSI），实现非接触式的环境感知。

该项目由 ruvnet 开发，核心依赖于边缘计算硬件（如 ESP32 系列芯片）与轻量级 AI 模型（如 wifi-densepose）。RuView 不依赖摄像头或可穿戴设备，而是利用物理层面的无线电波反射来提取数据，并支持通过 MQTT、Home Assistant、Apple HomeKit、Google Home 及 Alexa 等主流智能家居生态进行集成。

解决的问题

传统智能家居和安防系统存在明显的隐私痛点和技术局限：

1. 隐私泄露风险：摄像头监控虽然直观，但涉及严重的个人隐私问题，且容易引发居住者的心理不适。
2. 穿戴设备负担：健康监测通常依赖手环或手表，用户需要主动佩戴，存在遗忘充电或佩戴不适的问题。
3. 穿透性与黑暗环境限制：传统光学传感器无法穿透墙壁，且在完全黑暗或遮挡严重的环境中失效。
4. 基础设施闲置：家庭中几乎每个角落都有 WiFi 路由器，但大多数用户仅将其视为网络连接工具，未挖掘其作为雷达传感器的潜力。

RuView 解决了上述问题，提供了一种无感、隐私保护、穿透性强且无需额外穿戴设备的感知方案。

核心功能

RuView 通过 ESP32 传感器节点捕获 CSI 数据，并结合边缘 AI 模型处理，提供以下核心能力：

• 存在检测与占用监测：
  • 能够穿透墙壁检测人员存在。
  • 统计房间内人数，追踪人员进出记录。
  • 识别“多人房间过渡”等复杂场景。
• 生命体征监测：
  • 非接触式呼吸率与心率：即使在睡眠或静坐状态下，也能通过微弱的身体起伏和心跳引起的信号变化进行测量。
  • 睡眠质量分析：整夜监测，进行睡眠阶段分类，并具备睡眠呼吸暂停筛查能力。
• 活动识别与异常检测：
  • 识别行走、坐姿、手势等日常动作。
  • 跌倒检测：通过时序 CSI 模式识别跌倒风险，触发紧急警报。
  • 异常行为监控：如老年人长时间无活动异常、浴室占用状态、会议进行中状态等。
• 环境映射与 RF 指纹识别：
  • 利用无线电指纹识别房间。
  • 检测家具移动或新物体的出现，实现动态环境感知。
• 边缘智能与隐私保护：
  • 所有数据处理均在边缘端（ESP32 或本地网关）完成，无需上传云端。
  • 使用 Ed25519 见证链对测量数据进行密码学认证，确保数据完整性。
  • 模型极度轻量化（4-bit 量化后仅 8 KB），可在资源受限设备上以微秒级延迟运行。

亮点 / 与同类相比

• 极致的成本效益：
  • 单个传感器节点成本低至 $9（ESP32-S3），相比商业级毫米波雷达或红外传感器方案，硬件成本大幅降低。
  • 利用邻居的 WiFi 路由器作为免费的雷达照射源（多频率网格扫描），无需额外发射设备。
• 原生智能家居集成：
  • Home Assistant：通过 --mqtt 标志即可一键接入，提供 21 个实体（11 个原始信号 + 10 个推断语义状态）及 3 个入门级蓝图。
  • Apple/Google/Alexa：作为 HAP-1.1 桥接器或 Matter 端点，支持 Siri、Google Assistant 和 Alexa 直接查询房间内的存在状态和生命体征，无需开发自定义技能。
• 先进的边缘 AI 架构：
  • 基于 RuVector 和 Cognitum Seed 构建，采用脉冲神经网络（SNN）在本地环境适应，学习过程少于 30 秒。
  • 预训练模型 wifi-densepose 在验证集上达到 100% 的存在检测准确率，并支持针对特定环境的 LoRA 微调。
• 多模态与硬件灵活性：
  • 支持 ESP32-S3（标准 CSI 捕获）和 ESP32-C6（支持 WiFi 6 + 802.15.4 研究级感知）。
  • 提供从 Docker 模拟数据到真实硬件部署的全套方案，甚至支持通过 Python PyPI 包直接调用底层信号处理库。

适合谁用 / 上手

适合人群：

• 智能家居极客与开发者：希望利用现有 WiFi 基础设施扩展 Home Assistant 或其他智能家居平台的高级感知能力。
• 养老看护与家庭安防需求者：需要非侵入式监测独居老人或儿童的健康状况（跌倒、呼吸异常），且对隐私高度敏感的用户。
• IoT 研究人员：对信道状态信息（CSI）、边缘 AI、脉冲神经网络及 WiFi 雷达感知感兴趣的技术人员。

上手指南：

1. 快速体验（无需硬件）：

   • 使用 Docker 运行模拟数据版本，验证信号处理管道。

   docker pull ruvnet/wifi-densepose:latest
   docker run -p 3000:3000 ruvnet/wifi-densepose:latest
   # 访问 http://localhost:3000 查看可视化
   

2. 硬件部署（ESP32-S3）：

   • 购买 ESP32-S3 开发板（约 $9）。
   • 烧录固件并配置 WiFi 连接。

   # 示例：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
   

3. 集成智能家居：

   • 在 Home Assistant 中启用 MQTT，RuView 节点将自动发布数据。
   • 或通过 Matter 桥接功能，将设备添加到 Apple Home 或 Google Home。

4. Python 开发集成：

   • 通过 pip 安装库，直接调用呼吸率和心率提取器。

   pip install ruview
   

注意事项：

• 虽然 Docker 版可用于测试，但核心功能（如生命体征、穿墙检测）需要支持 CSI 的硬件（如 ESP32-S3/C6）。
• 当前预训练模型以 JSONL 格式发布，但实时服务器可能仅支持二进制 RVF 格式，建议在实时部署时暂时不使用 --model 参数，或等待 JSONL 适配器更新。