把WiFi变成透视镜？这个开源项目让你的路由器能“看见”你的一举一动

最新推荐文章于 2026-06-09 18:00:02 发布

原创最新推荐文章于 2026-06-09 18:00:02 发布 · 339 阅读

6 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

你的WiFi路由器每天都在默默发射无线电波，连接你的手机、电脑和智能音箱。但如果我告诉你，这些看不见的电波不仅能传输数据，还能隔墙“看见”你在做什么，甚至测量你的呼吸和心跳，你会觉得是天方夜谭吗？

RuView 这个开源项目，就是干这件事的。

什么是RuView？

简单来说，RuView是一套利用普通WiFi信号实现空间智能感知的系统。你不需要摄像头，不需要任何可穿戴设备，就能实现——隔墙检测人员存在、实时追踪人体姿态、非接触式测量呼吸和心率、甚至监测睡眠质量。

项目的核心代号叫“WiFi DensePose”，灵感源自卡内基梅隆大学在WiFi人体姿态估计方面的开创性研究。RuView在2026年2月开源后迅速走红，目前已在GitHub上积累了超过5万Star和6900多个Fork，一度登上GitHub Trending榜首。

它到底是怎么工作的？

这背后的核心是WiFi信号中的信道状态信息，简称CSI。CSI原本是WiFi用来优化信号传输质量的数据——它记录了信号从发射到接收过程中，每个子载波的幅度衰减和相位偏移。

当人体在WiFi覆盖区域内活动时，会对无线电波产生独特的“干扰”——部分信号被吸收，部分被反射，形成多径传播。这些微小的变化会直接体现在CSI数据里。你呼吸时的胸腔起伏、心搏产生的细微体表振动，都会让CSI数据产生有规律的波动。

RuView做的事情就是：采集CSI → 滤除噪声 → 提取特征 → 深度学习 → 输出骨骼关键点、呼吸心率、人员位置。整个处理管线用Rust重写后，性能直接提升了810倍，单帧处理时间仅18.47微秒。这意味着理论处理吞吐量能达到54,000帧/秒。呼吸检测精度为6-30次/分钟，心率检测40-120次/分钟。

它能做哪些事情？

根据官方文档，RuView的能力清单相当可观：

人员存在与占用检测：隔墙检测人员，统计人数，追踪出入情况。
生命体征监测：呼吸频率和心率的非接触式测量，人坐着、躺着甚至睡觉时都能进行。
姿态估计：输出17个COCO人体关键点（类似人体骨架），完全通过WiFi信号重建，不需要摄像头。基于ESP32 CSI数据训练的监督模型在测试中达到了92.9%的PCK@20指标。
活动识别：行走、坐姿、手势、跌倒，都能通过时间序列CSI模式识别出来。
环境测绘：利用射频指纹识别技术识别房间、检测移动的家具、发现新物体。
睡眠质量监测：整夜监测，包括睡眠分期分类和睡眠呼吸暂停筛查。

在性能对比测试中，RuView在相同环境下的检测准确率（AP@50）达到87%以上，与基于摄像头方案的93%已经非常接近。但RuView的优势在于——它根本不需要摄像头，不存在隐私问题，还能穿墙。

硬件只需要9美元起步

RuView最让人眼前一亮的地方是它的硬件成本。核心传感器用的是ESP32-S3开发板，单价只要9美元。把几个这样的节点部署在家里不同位置，加上你家里已有的WiFi路由器，就能搭建起一个完整的WiFi感知网络。

如果追求更高精度的穿墙定位，可以部署3-6个ESP32-S3节点形成多静态网格。每个节点同时充当发射器和接收器，在空间中构建12条以上的重叠信号路径，实现整个房间的全覆盖。

再进阶一点，搭配Cognitum Seed（约140美元的全套系统），还能获得持久向量存储、kNN搜索、见证链加密等功能。

想先体验一下？项目提供了Docker镜像，不需要任何硬件就能在模拟数据上跑起来看看效果：

docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# 然后打开浏览器访问 http://localhost:3000

训练你自己的模型：从原始WiFi到智能感知

除了直接用现成的Docker体验，RuView还允许你用自己的数据训练模型。这意味着你可以在自己家里的WiFi环境下，让系统学会识别你自己的动作、区分每个房间的“信号指纹”，甚至标记出异常情况。

项目的核心命令行工具是用Rust写的，上手也不复杂：

四步快速入门

# 第1步：用原始WiFi数据做自我预训练（不需要任何人工标注）
cargo run -p wifi-densepose-sensing-server -- --pretrain --dataset data/csi/ --pretrain-epochs 50

# 第2步：用姿态标签做微调，获得完整能力
cargo run -p wifi-densepose-sensing-server -- --train --dataset data/mmfi/ --epochs 100 --save-rvf model.rvf

# 第3步：加载模型，从实时的WiFi信号中提取环境指纹
cargo run -p wifi-densepose-sensing-server -- --model model.rvf --embed

# 第4步：建立索引，搜索相似环境或检测异常
cargo run -p wifi-densepose-sensing-server -- --model model.rvf --build-index env

三种训练模式，对应不同场景

模式	你需要什么	你能得到什么
自我监督	只有原始WiFi数据（CSI文件）	一个能理解WiFi信号结构的基础模型
监督学习	WiFi数据 + 人体姿态标签（例如骨架坐标）	完整的人体姿态跟踪 + 环境指纹提取
跨模态	WiFi数据 + 同步摄像头录像	让WiFi指纹与视觉理解相互校准，理解更准确

最简单的启动方式是第1步——你只需要把ESP32采集到的CSI数据丢进data/csi/文件夹，跑50个epoch的预训练，系统就会自己学会分辨哪些信号波动是有意义的、哪些只是噪声。

你能建立四种“指纹索引”

训练完成后，你可以针对不同目标建立向量索引：

**env_fingerprint**：存储平均房间指纹。系统会记住“厨房长这样”、“卧室长这样”，下次进来时自动识别。
**activity_pattern**：存储活动边界。也就是“有人在做饭”、“有人在睡觉”还是“在锻炼”的信号模式。
**temporal_baseline**：存储正常情况下的基线。一旦房间里的WiFi信号模式偏离基线，系统就会触发“不寻常事件”告警。
**person_track**：存储个体运动特征。比如“A的运动指纹”，当A从客厅走进卧室时，系统能跨房间追踪到同一个人。

有了这些索引，RuView不仅能“看见”当前发生了什么，还能记住过去、判断异常、区分人员。一个完全运行在边缘、不依赖云端的空间智能系统，就这么搭起来了。

用AI编程助手来操作：Claude Code插件

RuView还把整套工作流程打包成了一个Claude Code插件（以及Codex的提示符镜像）。这个插件囊括了从引导开始、ESP32设置、配置、传感应用、模型训练，到高级多静态传感、CLI/API/WASM、毫米波雷达，甚至见证验证的整个流程。它内部封装了9个技能、7个/ruview-*命令和3个代理。

如果你想在Claude Code里使用，只需要两步：

# 添加插件市场
/plugin marketplace add ruvnet/RuView

# 安装插件
/plugin install ruview@ruview

如果你只是想临时试试，也可以从本地克隆的仓库加载：

claude --plugin-dir ./plugins/ruview

安装完成后，在Claude Code里可以直接用这些命令：

/ruview-start → 引导流程（Docker演示/仓库构建/真实ESP32连接）
/ruview-flash → 编译并烧录ESP32固件
/ruview-provision → 配置WiFi账号密码、目标IP、信道/MAC、mesh时隙
/ruview-app → 运行一个传感应用（存在检测/生命体征/姿态/睡眠/MAT/点云）
/ruview-train → 训练/评估/发布模型（包括在GCloud上使用GPU）
/ruview-advanced → 多静态传感、断层扫描、跨视角、mesh安全
/ruview-verify → 运行测试、确定性验证、见证bundle

如果你用的是OpenAI的Codex命令行工具，也可以把提示符镜像拷贝过去：

cp plugins/ruview/codex/prompts/*.md ~/.codex/prompts/

这7个/ruview-*命令会直接对应上Codex的提示符。插件结构可以通过bash plugins/ruview/scripts/smoke.sh来验证，详细文档在plugins/ruview/README.md里。

有了这个AI插件，整个RuView的操作——从烧录硬件到训练模型、再到多节点mesh部署——都可以直接用自然语言对话完成，不需要去翻分散的文档或者手敲一长串命令。

为什么这件事有意义？

传统的人体感知技术，说到底都有各自的硬伤。摄像头系统需要光线、涉及GDPR/HIPAA合规问题，在一些私密场所根本没法装；红外传感器只有视线范围内才管用；毫米波雷达价格不便宜，而且穿透力有限。

但WiFi不一样。

WiFi信号能穿透墙壁、家具和碎片；WiFi在黑暗中照样正常工作；WiFi已经覆盖了我们生活的几乎所有空间——零额外基础设施。

这意味着，RuView可以部署在那些摄像头不适合的场景里——养老院的老人看护，不需要老人穿戴任何设备，就能监测其呼吸心率、识别跌倒；智能家居，根据人员位置和设备使用情况自动调控灯光空调；灾害救援，穿过废墟感知是否有被困人员。它的应用场景几乎是“只要有WiFi的地方”就能发挥作用。

开源社区的争议

任何在技术上“听起来太美好”的东西，都会引来质疑。RuView也不例外。

在Hacker News等社区，有人质疑说这个GitHub仓库似乎缺少从硬件采集CSI的关键信号处理代码，更像一个框架或原型而非可直接运行的产品，有人尝试在真实硬件上验证但没有获得完全一致的结果。

但从学理上讲，利用WiFi进行人体姿态估计这件事本身早已被学术论文证明是可行的。卡内基梅隆大学的《DensePose From WiFi》研究用3台发射机和3台接收机就实现了87.2%的平均精度；之后多个研究团队也都发表了基于WiFi CSI的非接触式呼吸和心率监测成果，甚至还出现了LSTM深度学习系统。RuView真正的挑战不在于“理论上行不行”，而是“现在这个开源版本的完整度到底够不够”。