π RuView：让家里的 WiFi 路由器变成「穿墙雷达」，无摄像头追踪 17 个身体关键点

发表于 分类于 ，
不装摄像头、不戴手环，只靠家里的 WiFi 信号，RuView 就能穿透墙体实时追踪 17 个身体关键点、监测呼吸心率、判断跌倒——今天我们就来拆解这个 85k stars 的开源项目。

你有没有想过，家里那台 24 小时开着、谁都不会多看一眼的 WiFi 路由器，居然可以充当「穿墙雷达」？

不开摄像头、不戴手环、不装红外传感器 —— 它就能：

  • 透过墙壁数清楚房间里到底有几个人；
  • 无接触地测出你的呼吸频率（6–30 BPM）和心率（40–120 BPM）；
  • 用 17 个关键点重建你此刻的姿势（站着、坐着、跌倒……）；
  • 在凌晨悄悄判断你是否进入了深睡眠阶段。

这听起来像是科幻小说的设定，却是 GitHub 上一个 8.5 万 stars 的开源项目 ruvnet/RuView 正在做的事。今天这篇博客，我们就来拆开它的原理，看它是如何「让 WiFi 看见人」的。

一、项目背景：为什么我们需要「不用摄像头」的感知方案？

1.1 摄像头的天花板

过去十年，室内感知几乎被摄像头垄断。无论是商场的客流统计、养老院的跌倒报警，还是智能家居的人来灯亮，背后都是一颗颗镜头。但摄像头有三大硬伤：

  • 隐私焦虑：卧室、卫生间、浴室 —— 这些最需要监测生命体征的场景，恰恰最不适合装摄像头。
  • 环境受限：黑暗、强光逆光、烟雾、被遮挡…… 摄像头几乎全部失效。
  • 攻击面过大：一台联网摄像头意味着一个能拍到屋内的实时端口，黑产里「破解家庭摄像头」早就成了一门生意。

1.2 WiFi 信号的「隐藏信息」

你可能没注意过，WiFi 信号在空间里传播时，会被人体的呼吸、抬手、转身这些细微动作「扰动」。学术上把这种细粒度信息叫做 CSI（Channel State Information，信道状态信息）。

CSI 比常见的 RSSI（信号强度）精细得多 —— 它记录的是每一个子载波的幅度与相位，本质上是一段「无线电指纹」。当一个人在房间里呼吸，他的胸腔每分钟起伏 12–20 次，这套起伏会叠加进 CSI 中；只要算法够好，就能从 CSI 里把呼吸和心跳单独挑出来。

1.3 RuView 想干什么？

RuView 把 WiFi DensePose（卡耐基梅隆 2018 年提出的学术概念）落地成了一个低成本的边缘 AI 平台。它做的是三件事：

  1. 把 CSI 从廉价的 ESP32 节点里抓出来；
  2. 在边缘设备上跑信号处理 + 神经网络，提取 17 个身体关键点 + 生命体征；
  3. 把结果通过 MCP / WebSocket / MQTT 暴露给 Home Assistant、智能家居、家庭安防等下游应用。

截至今天，仓库已有 85.5k stars / 11.4k forks / 1,084 次提交，连续多天霸榜 GitHub Trending，是 2026 年最值得关注的「物理 + AI」项目之一。

二、核心功能亮点

2.1 五大感知能力

RuView 一口气把五件原本需要不同硬件的事做到了同一个平台里：

能力 输入 原理
🫁 呼吸监测 CSI 振幅 + 相位 0.1–0.5 Hz 带通 + FFT 峰值检测
💓 心率监测 CSI 振幅 + 相位 0.8–2.0 Hz 带通 + 零交叉 BPM
👤 存在检测 CSI 头部嵌入（HF ruvnet/wifi-densepose-pretrained） 训练好的头部位姿检测器 + 相位方差回退
🦴 17 关键点姿势 CSI 嵌入 cog-pose-estimation Cog v0.0.1，Pi 5 上 8.4 ms 冷启动
🚨 跌倒检测 相位加速度 阈值 + 三帧去抖 + 5 秒冷却

2.2 自学习世界模型

最有意思的是，RuView 不只是一个「检测器」，而是一个能预测未来 15 帧空间占用的小型世界模型（OccWorld TransVQVAE）。在 RTX 5080 上推理 209 ms，3.4 GB 显存，意味着它可以提前告诉你「这个人接下来会走向哪里」。

2.3 边缘智能与极小占用

  • 128 维对比编码器，4-bit 量化后只占 8 KB；
  • 单核 M4 Pro 笔记本上能跑到 164,183 emb/s；
  • 完整的传感器 + 推理 BOM 总成本压到 140 美元，最低方案（3 个 ESP32-S3 + 现有路由器）只要 54 美元。

2.4 多协议输出

最后，RuView 不打算「圈住」你。它通过以下方式把结果喂给下游：

  • REST API /api/v1/vital-signs
  • WebSocket /ws/sensing
  • MQTT RuViewMqttClient
  • MCP 代理：能被 Claude、Cursor 这类 AI Agent 直接当工具调用
  • Home Assistant 集成：原生支持 presence、vital-signs、fall-detected 等实体

这种「不抢戏」的架构，是它在 Trending 上持续被关注的关键。

三、实战示例：用 Docker 三分钟跑起来

3.1 零硬件体验

如果你只是想先看看效果，仓库已经提供了预录的 CSI 数据 + Docker 镜像：

1
2
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest

打开浏览器访问 http://localhost:3000，就能看到一个 60 FPS 的 3D 观测台：姿态融合、生命体征、信号强度、跌倒警报全部在一个 WebGL 视图里。

3.2 Python SDK 路线（ADR-117）

如果你已经有自己的 ESP32 节点在采集 CSI，可以直接用 PyPI 上的 wifi-densepose 包：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from ruview import BreathingExtractor, HeartRateExtractor
from ruview.client import SensingClient, RuViewMqttClient

# 假设你的 ESP32 在 UDP 5005 上推送 CSI
client = SensingClient(udp_port=5005)

breath = BreathingExtractor()
heart = HeartRateExtractor()

async for frame in client.stream():
    bpm_breath = breath.process(frame)   # 6-30 BPM
    bpm_heart = heart.process(frame)     # 40-120 BPM

    print(f"呼吸 {bpm_breath:.1f} BPM | 心率 {bpm_heart:.1f} BPM")

如果你想走 MQTT：

1
pip install "ruview[client]"

会额外装上 asyncio WebSocket 与 paho-mqtt。

3.3 真硬件路线

最完整的部署路径是用 ESP32-S3 + Cognitum Seed（~140 美元）。整套系统会包含：

  • 17 关键点姿势
  • 跌倒检测
  • 105 cog 的边缘目录（实时从 app-registry.json 加载）
  • 向量数据库 + kNN 检索
  • 见证链（witness chain）
  • MCP 代理

而如果你只是想验证「WiFi 6 / 802.15.4」能不能用，单个 ESP32-C6 DevKit（约 10 美元）就够了。仓库给出的实测是 99.56% 的 ESP-NOW mesh 匹配率、相位偏移标准差仅 104 µs。

3.4 一段最简「跌倒报警」代码

1
2
3
4
5
6
7
8
from ruview.detectors import FallDetector

fall = FallDetector(phase_accel_threshold=2.5)

async for frame in client.stream():
    if fall.update(frame):
        await mqtt.publish("home/fall_detected", payload={"room": "living"})
        print("🚨 跌倒事件已上报")

配合 Home Assistant，你可以直接把这条 MQTT 桥接成手机的 Push 通知。

四、适用场景与限制

4.1 适合的 6 个场景

  1. 养老照护：夜间无接触监测呼吸 + 自动跌倒报警，避开摄像头伦理问题；
  2. 智慧酒店：不靠门磁、不靠摄像头的「房间有人 / 无人」判断；
  3. 办公空间：会议室占用率统计，比门口的 PIR 更准；
  4. 睡眠实验室：替代 PSG（多导睡眠图），做睡眠分期 + 呼吸暂停筛查；
  5. 安防入侵检测：夜间有人在院子里走动就能触发警报；
  6. AI Agent 场景：让 Agent 能感知房间状态 ——「房间里有几个人在开会」可以直接是 MCP tool 的返回值。

4.2 必须正视的限制

  • 需要 ESP32-S3 / C6 / Intel 5300 这一类支持 CSI 的硬件。ESP32-C3、ESP32 经典款因为是单核、DSP 不够，不被支持。
  • 穿墙距离大约 5 米，且高度依赖墙体材质和路由器位置 —— 混凝土墙会显著衰减。
  • 多目标拥挤场景仍是难点，单人 / 双人准确率高，五人以上会出现 ID 切换。
  • 隐私问题是双刃剑：能测心率，意味着同样能测「你半夜有没有出门」。仓库在 README 里特意写了「Ethical Use」段落，并强调部署时应当通知同住人。
  • 不是医学器械，生命体征读数仅供研究 / 日常参考。

五、与同类项目的差异

项目 切入点 核心差异
WiFi DensePose（CMU 论文） 学术 论文原型，无现成硬件 + 软件栈
Aerosense / Xandem 商业 闭源、贵、不能本地化
Google Nest 感知 / Amazon Sidewalk 商业 黑盒，且依附于具体产品生态
RuView 开源 完整软件栈 + 廉价硬件 + MCP/MQTT 输出 + 边缘自学习模型

简单说，RuView 是目前唯一一个把 WiFi DensePose 从论文搬进「10–140 美元」硬件、并且愿意把数据流交给任何下游系统的开源项目。

六、总结

RuView 的爆火不是偶然。它踩中了三个时代情绪：

  • 隐私觉醒：用户开始拒绝「房间里再多一颗镜头」；
  • 边缘 AI 成熟：M4 Pro、Raspberry Pi 5 已经能在本地跑 17 关键点姿势；
  • Agent 时代：MCP 让任何模型都能直接调用这套感知能力。

如果你是智能家居玩家，3 个 ESP32-S3 + 现有路由器，54 美元就能给你的家装上一套「无摄像头雷达」；如果你是 AI Agent 开发者，它的 MCP 代理就是下一波「Agent 感知物理世界」的最佳 demo。

仓库地址：github.com/ruvnet/RuView
在线 Demo：ruvnet.github.io/RuView

值得花一个周末，把它跑起来，看看自家 WiFi 究竟能「看见」多少你从没意识到的东西。