RuView3步部署WiFi穿墙体征与存在监测【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想在卧室装一台摄像头盯着老人睡觉多数家庭会立刻摇头可是不装夜里一次跌倒可能就错过最佳救援时机。摄像头和隐私在卧室、卫生间这类空间里是死结。RuView 是一个开源的 WiFi 感知项目试图解开这个死结它不加任何摄像头而是读取无线电波经过人体后留下的扰动做存在检测、呼吸心率估算乃至人体姿态估计全程不产生一帧画面。整套系统跑在 ESP32 节点和 Rust 感知服务器上数据不出局域网没有云、没有视频存储。原理拆解WiFi 如何看穿墙壁WiFi 路由器全天把电波灌满房间的每个角落。人走过、呼吸甚至静坐都会让信号在不同子载波上的振幅和相位发生特征性变化这种测量叫做 CSIChannel State Information信道状态信息——可以理解为人体在信号上留下的脚印。就像在隔壁房间听见地板咯吱一声就知道有人走过RuView 只是把耳朵做得精细了千倍。整条链路分四步信号采集ESP32 节点在 56 路子载波上采样 CSI经 UDP5005 端口送给感知服务器。多节点组 Mesh 后每条链路提供 3 个信道 × 56 子载波 168 个虚拟子载波从多个视角覆盖房间。相位净化原始信号里混着环境噪声、硬件漂移和多径反射管线用 Hampel 滤波、SpotFi、菲涅尔区建模等一系列算法把人体运动分量挑出来——像从嘈杂的收音机里滤出清晰人声。特征分离净化后的信号按频段拆分0.3–3 Hz 是运动带对应肢体动作0.1–0.5 Hz 是呼吸带对应胸腔起伏。就像调音台上把不同乐器分到各自通道各读各的。模态转换轻量神经网络把特征映射到 17 个人体关键点和生命体征数值相当于把盲文转成文字。4-bit 量化后的模型只有 8 KB在树莓 Pi 这类小设备上微秒级即可推理。数据从信号采集到姿态输出的完整流向对应上文四个环节动手实践容器化启动步骤与数据源选择先按需求选路径需要快速体验 ├─ 是无硬件→ Docker 容器 模拟数据 ← 从这里开始 └─ 要用真实感知 ├─ 单房间 / 首次试 → 1–3 块 ESP32-S3约 $8–10/块 └─ 深度定制训练、二次开发→ Rust 源码编译或 pip install ruviewDocker 路径最省心先跑通它再引入硬件1️⃣ 拉取镜像并启动amd64/arm64 双架构Apple Silicon 直接可用docker pull ruvnet/wifi-densepose:latest docker run -p 3000:3000 -p 3001:3001 ruvnet/wifi-densepose:latest2️⃣ 浏览器打开 http://localhost:3000可以看到 3D 人体骨架、信号热图和生命体征面板。注意模拟模式用的是确定性合成信号只用于验证管线。3️⃣ 用curl http://localhost:3000/health验证 API返回{status:ok}即服务可用其余端点见 用户指南。已有 ESP32-S3 的话启动时追加-e CSI_SOURCEesp32 -p 5005:5005/udp服务器即切换为接收真实 CSI 帧烧录步骤见 ESP32 固件文档选择源码路线则先执行git clone https://gitcode.com/GitHub_Trending/wi/RuView。观测台界面可切换健身、手势、步态等场景效果对比表与适用边界维度摄像头红外/微波雷达RuViewWiFi CSI部署成本$200–$2,000/区域每房间重新布线$0–$8/区域现有 WiFi 或 ESP32视线要求必须直视可部分遮挡穿墙约 5 m信号相关隐私合规需同意、标识、留存策略—不产生图像生命体征不可不可呼吸 6–30 BPM心率 40–120 BPM存在检测精度高粗82.3%时序三元组诚实复测值边界同样要说清楚模拟模式数据不代表真实环境精度只验证管线是否跑通单块 ESP32 的 17 关键点实时姿态仍属first-cut低于项目自定的 35% PCK20 目标项目文档明确标注了这一点可站得住的姿态精度是 MM-Fi 公开数据集上的 82.69% torso-PCK20只有 RSSI 的笔记本只能做粗略存在检测没有 CSI 就没有精细能力呼吸、心率输出不是医疗器械家用前需自行验证原版 ESP32 和 ESP32-C3 单核芯片不支持需 S3 及以上。进阶玩法三个值得试的方向睡眠呼吸暂停筛查。仓库自带 4 KB 的sleep-apnea边缘模块直接跑在节点上配合示例脚本 apnea_screener.py 可做整夜无接触呼吸监测。它值得试的原因很实际卧室里既没有摄像头也不用贴电极老人和婴儿监护都能落地。智能家居生态直连。加一个--mqtt参数即可被 Home Assistant 自动发现每个节点暴露 21 个实体其中 10 个是有人熟睡疑似求救离床这类语义状态Siri、Alexa 可以直接按房间语音询问在人与呼吸状况零自定义技能。集成细节见 Home Assistant 集成文档。禁装摄像头区域的客流统计。博物馆、商场卫生间等位置装不了摄像头可以用customer-flow、dwell-heatmap、occupancy-zones等模块统计人数和停留时长全目录共 105 个边缘模块见 README 的 Edge Module Catalog 一节。路线图1 小时、1 天、1 周档位任务1 小时跑通 Docker 演示熟悉观测台界面验证 health、pose、vital-signs 三个端点1 天购 1 块 ESP32-S3烧录固件、配置网络接入局域网对比模拟与真实 CSI 数据1 周部署 3–4 节点 Mesh完成空房间基线校准校准指南接入 Home Assistant 并安装第一个边缘模块资源与入口核心文档用户指南、排障手册、Home Assistant 集成深入阅读205 篇架构决策记录、领域模型硬件相关ESP32 固件与烧录、无硬件时可用 QEMU 测试固件教程入口贡献方向代码v2/crates/ 主开发目录、文档、新硬件适配、应用案例均欢迎RuView 的定位很明确不是替代摄像头而是补上摄像头装不了、不该装的那部分空间。用几美元的硬件加一条现成的 WiFi换一层不产生任何画面的存在与体征监测这正是它值得尝试的价值所在。【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：3步部署WiFi穿墙体征与存在监测
RuView3步部署WiFi穿墙体征与存在监测【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想在卧室装一台摄像头盯着老人睡觉多数家庭会立刻摇头可是不装夜里一次跌倒可能就错过最佳救援时机。摄像头和隐私在卧室、卫生间这类空间里是死结。RuView 是一个开源的 WiFi 感知项目试图解开这个死结它不加任何摄像头而是读取无线电波经过人体后留下的扰动做存在检测、呼吸心率估算乃至人体姿态估计全程不产生一帧画面。整套系统跑在 ESP32 节点和 Rust 感知服务器上数据不出局域网没有云、没有视频存储。原理拆解WiFi 如何看穿墙壁WiFi 路由器全天把电波灌满房间的每个角落。人走过、呼吸甚至静坐都会让信号在不同子载波上的振幅和相位发生特征性变化这种测量叫做 CSIChannel State Information信道状态信息——可以理解为人体在信号上留下的脚印。就像在隔壁房间听见地板咯吱一声就知道有人走过RuView 只是把耳朵做得精细了千倍。整条链路分四步信号采集ESP32 节点在 56 路子载波上采样 CSI经 UDP5005 端口送给感知服务器。多节点组 Mesh 后每条链路提供 3 个信道 × 56 子载波 168 个虚拟子载波从多个视角覆盖房间。相位净化原始信号里混着环境噪声、硬件漂移和多径反射管线用 Hampel 滤波、SpotFi、菲涅尔区建模等一系列算法把人体运动分量挑出来——像从嘈杂的收音机里滤出清晰人声。特征分离净化后的信号按频段拆分0.3–3 Hz 是运动带对应肢体动作0.1–0.5 Hz 是呼吸带对应胸腔起伏。就像调音台上把不同乐器分到各自通道各读各的。模态转换轻量神经网络把特征映射到 17 个人体关键点和生命体征数值相当于把盲文转成文字。4-bit 量化后的模型只有 8 KB在树莓 Pi 这类小设备上微秒级即可推理。数据从信号采集到姿态输出的完整流向对应上文四个环节动手实践容器化启动步骤与数据源选择先按需求选路径需要快速体验 ├─ 是无硬件→ Docker 容器 模拟数据 ← 从这里开始 └─ 要用真实感知 ├─ 单房间 / 首次试 → 1–3 块 ESP32-S3约 $8–10/块 └─ 深度定制训练、二次开发→ Rust 源码编译或 pip install ruviewDocker 路径最省心先跑通它再引入硬件1️⃣ 拉取镜像并启动amd64/arm64 双架构Apple Silicon 直接可用docker pull ruvnet/wifi-densepose:latest docker run -p 3000:3000 -p 3001:3001 ruvnet/wifi-densepose:latest2️⃣ 浏览器打开 http://localhost:3000可以看到 3D 人体骨架、信号热图和生命体征面板。注意模拟模式用的是确定性合成信号只用于验证管线。3️⃣ 用curl http://localhost:3000/health验证 API返回{status:ok}即服务可用其余端点见 用户指南。已有 ESP32-S3 的话启动时追加-e CSI_SOURCEesp32 -p 5005:5005/udp服务器即切换为接收真实 CSI 帧烧录步骤见 ESP32 固件文档选择源码路线则先执行git clone https://gitcode.com/GitHub_Trending/wi/RuView。观测台界面可切换健身、手势、步态等场景效果对比表与适用边界维度摄像头红外/微波雷达RuViewWiFi CSI部署成本$200–$2,000/区域每房间重新布线$0–$8/区域现有 WiFi 或 ESP32视线要求必须直视可部分遮挡穿墙约 5 m信号相关隐私合规需同意、标识、留存策略—不产生图像生命体征不可不可呼吸 6–30 BPM心率 40–120 BPM存在检测精度高粗82.3%时序三元组诚实复测值边界同样要说清楚模拟模式数据不代表真实环境精度只验证管线是否跑通单块 ESP32 的 17 关键点实时姿态仍属first-cut低于项目自定的 35% PCK20 目标项目文档明确标注了这一点可站得住的姿态精度是 MM-Fi 公开数据集上的 82.69% torso-PCK20只有 RSSI 的笔记本只能做粗略存在检测没有 CSI 就没有精细能力呼吸、心率输出不是医疗器械家用前需自行验证原版 ESP32 和 ESP32-C3 单核芯片不支持需 S3 及以上。进阶玩法三个值得试的方向睡眠呼吸暂停筛查。仓库自带 4 KB 的sleep-apnea边缘模块直接跑在节点上配合示例脚本 apnea_screener.py 可做整夜无接触呼吸监测。它值得试的原因很实际卧室里既没有摄像头也不用贴电极老人和婴儿监护都能落地。智能家居生态直连。加一个--mqtt参数即可被 Home Assistant 自动发现每个节点暴露 21 个实体其中 10 个是有人熟睡疑似求救离床这类语义状态Siri、Alexa 可以直接按房间语音询问在人与呼吸状况零自定义技能。集成细节见 Home Assistant 集成文档。禁装摄像头区域的客流统计。博物馆、商场卫生间等位置装不了摄像头可以用customer-flow、dwell-heatmap、occupancy-zones等模块统计人数和停留时长全目录共 105 个边缘模块见 README 的 Edge Module Catalog 一节。路线图1 小时、1 天、1 周档位任务1 小时跑通 Docker 演示熟悉观测台界面验证 health、pose、vital-signs 三个端点1 天购 1 块 ESP32-S3烧录固件、配置网络接入局域网对比模拟与真实 CSI 数据1 周部署 3–4 节点 Mesh完成空房间基线校准校准指南接入 Home Assistant 并安装第一个边缘模块资源与入口核心文档用户指南、排障手册、Home Assistant 集成深入阅读205 篇架构决策记录、领域模型硬件相关ESP32 固件与烧录、无硬件时可用 QEMU 测试固件教程入口贡献方向代码v2/crates/ 主开发目录、文档、新硬件适配、应用案例均欢迎RuView 的定位很明确不是替代摄像头而是补上摄像头装不了、不该装的那部分空间。用几美元的硬件加一条现成的 WiFi换一层不产生任何画面的存在与体征监测这正是它值得尝试的价值所在。【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