WiFi就是传感器：开源项目RuView如何用普通路由器实现无摄像头人体感知

你家的路由器每时每刻都在向房间里喷射无线电波。当有人走动、呼吸甚至静坐时，这些电磁波会被身体扰动，并在接收端留下可被测量的指纹。本文从程序员视角拆解：如何用一块九美元的 ESP32，把「WiFi 信号」变成一台不需要摄像头、不需要可穿戴设备的人体感知雷达。

一、背景：当 WiFi 变成「透视眼」

2013 年，MIT CSAIL 的 Dina Katabi 团队在《Through-Wall Human Pose Estimation Using Radio Signals》中证明了一件反直觉的事：无线电信号可以穿墙感知人体。五年后，同一团队在 CVPR 2018 上发布了 RF-Pose，用 WiFi 频段的射频信号重建出人体的骨架关键点。这项研究引爆了一个新方向——WiFi 感知（WiFi Sensing）。

传统的人体感知方案各有硬伤：

• 摄像头：隐私代价极高，且黑暗、遮挡、雾气环境失效；
• 可穿戴设备：需要人主动佩戴，老人、婴儿、失能人群往往无法配合；
• 红外 / 毫米波雷达：成本高，部署复杂。

这条技术之所以在 2020 年代后才真正「能落地」，关键在于三件事同时成熟：一是 商用 WiFi 芯片开始开放 CSI 接口（Intel 5300 网卡、Atheros，以及如今的 ESP32-S3），让普通人买得起采集端；二是 边缘算力（树莓派、NPU、甚至 ESP32 自身）足够跑轻量模型；三是 自监督与对比学习 让模型不再依赖昂贵的人工标注。RuView 正是站在这三股浪潮交汇点上的集大成者。

而 WiFi 感知的思路是——不增加任何新硬件，复用你已经拥有的路由器与网卡。你房间的每一个角落都已经被 2.4GHz/5GHz 的无线电波填满，人体作为导体和介电质，会反射、绕射、吸收这些波。只要能读到信号在「经过人体前后」的变化，就能反推人的位置、动作甚至呼吸心跳。

开源项目 RuView（WiFi DensePose）把这套学术方案工程化、产品化了。它的官方定义是：「Turn ordinary WiFi into a spatial intelligence / sensing system.」 一块 ESP32-S3（约 9 美元）读取房间里的人体无线电反射，一个 4-bit 量化、仅 8KB 的预训练模型就能告诉你：谁在房间、呼吸如何、心率趋势怎样、是否跌倒——全程无摄像头、无穿戴、无云端、无订阅。

二、核心概念：CSI、相位与菲涅尔区

在动手之前，先把「信号到底携带了什么信息」这件事在直觉上理顺，能让你少走很多弯路。WiFi 感知之所以可行，本质上是因为电磁波对空间里的导体极其敏感：人体含有大量水分，是良导体，一旦出现，原本直达的波就会多出反射与散射路径，接收端看到的复数信道响应随之改变。我们要做的，就是把这个「改变」从噪声里捞出来，并映射到人的动作与生理状态。

2.1 RSSI 太粗糙，我们需要 CSI

普通 WiFi 网卡只对外暴露 RSSI（接收信号强度），它是一个被严重平滑过的标量，只能粗略判断「近了 / 远了」。要做人级别感知，必须拿到 CSI（Channel State Information，信道状态信息）。

CSI 描述信号在每条「子载波（subcarrier）」上的传播特性。802.11n/ac 把 20MHz 信道划分成数十个子载波，对每个子载波，CSI 给出了一个复数响应：

H(k) = |H(k)| · e^{j·φ(k)}

• |H(k)| 是幅度（子载波 k 的衰减）；
• φ(k) 是相位（信号经历的相移）。

以 ESP32-S3 为例，开启 CSI 后每帧可以拿到约 52~64 个子载波的复数样本。这么多维度的细粒度信息，正是深度学习模型能够「看见」人体的原材料。

2.2 为什么相位比幅度更关键

幅度对硬件噪声、天线增益、家具摆放非常敏感，鲁棒性差。而相位承载了「信号走过的几何路径长度」信息：

φ(k) = -2π · (d / λ)   （d 为收发路径总长度，λ 为波长）

人移动 1 毫米，都会引起相位可观测的微小变化。这也是 RuView 做生命体征监测的物理学基础——呼吸引起的胸腔起伏（毫米级）会改变反射路径长度，进而调制相位。

2.3 菲涅尔区（Fresnel Zone）：穿墙的物理原理

RuView 的穿墙能力来自「菲涅尔区 + 多径建模」。当发射机与接收机之间存在直射路径和绕射路径时，人体进入不同菲涅尔区会改变收发两端的相位叠加结果。通过建模多径与菲涅尔几何，系统能在隔着一堵内墙（约 5 米内，视信号而定）的情况下仍检测到人体。这也是为什么 README 中把穿墙能力标注为「signal-dependent」——混凝土承重墙和石膏板隔墙的效果天差地别。

2.4 相位净化的必要性

但原始相位不能直接喂给模型，它有两大「脏」：

1. 卷绕（wrapping）：相位被收敛到 [-π, π]，真实相移超过 2π 就会跳变；
2. 线性倾斜（SFO / 包检测偏移）：发射端与接收端的采样时钟频率存在微小偏差（Sampling Frequency Offset），加上 ESP32 在检测到一个 WiFi 包时存在 timing 抖动，导致相位沿子载波序号呈线性倾斜。这条倾斜和人体无关，必须剔除。

RuView 的 PhaseSanitizer 正是解决这个问题的核心组件——「净化」后的相位，才是一台干净的人体传感器信号。

2.5 CSI 张量的真实形状与调试技巧

第一次拿到 CSI 数据时，程序员最该做的是「先肉眼看一眼」。下面这段小代码把一帧 CSI 打印成幅度-相位，帮助你确认采集是否正常：

import numpy as np
csi = load_csi_from_esp32()          # 假设返回 [frames, subcarriers] 复数
frame0 = csi[0]
print('shape     :', csi.shape)
print('amplitude :', np.abs(frame0)[:8].round(3))
print('phase raw :', np.angle(frame0)[:8].round(3))
# 正常情况：幅度在不同子载波有起伏；相位应呈近似线性（待净化）

调试时常见的「坑」有两个：子载波 0 附近因直流泄漏幅度异常大；以及个别子载波被信道屏蔽、值恒为 0。这些都应在净化前先做掩码剔除，否则会污染后面的线性拟合与带通滤波。

三、架构分析：从电波到骨架的六层流水线

RuView 的整体数据流可以概括为一句话：ESP32 抓 CSI → 网桥转发 → 相位净化 → 特征提取 → 深度学习模型 → 姿态 / 语义输出。

理解这条流水线时，记住一个原则：越靠近硬件的信号越脏，越靠近应用的信号越语义化。CSI 是脏的复数矩阵，经过净化变成干净的相位，再经编码器变成 128 维嵌入，最后由姿态头解码成 17 个关键点。每一层都在做「降维 + 去噪 + 升语义」，这也是为什么轻量模型能在边缘跑得动——脏活累活在前处理阶段就被滤掉了。

┌─────────┐    CSI(UDP/WS)   ┌──────────┐   净化+特征   ┌──────────────┐
│ ESP32-S3 │ ───────────────▶ │  Bridge  │ ───────────▶ │  DL Model    │
│ (Mesh)   │                  │(Node/Py) │              │ (Encoder+Pose)│
└─────────┘                  └──────────┘              └──────┬───────┘
   │ 邻居路由器当免费雷达                                      │ 17 关键点 + 语义
   │ （6 信道多频扫描）                                ┌───────▼────────┐
   └────────────────────────────────────────────────▶ │ Edge Modules  │
                                                       │ (105 个 Cogs)  │
                                                       └───────┬────────┘
                                                               │ MQTT/Matter
                                                       ┌───────▼────────┐
                                                       │ HA / Apple /   │
                                                       │ Google / Alexa │
                                                       └────────────────┘

3.1 边缘采集层：ESP32 上的 CSI 抓取

ESP32-S3 通过 ESP-IDF 的 esp_wifi_set_csi() 进入「CSI 监听模式」，把每个收到的 WiFi 包的子载波复数样本通过回调推出来，再经 UDP / WebSocket 流送给网桥。RuView 还会做多频 Mesh 扫描：在 6 个 WiFi 信道之间跳频（TDM 时隙调度），用邻居家的路由器当「免费雷达照射源」，把可感知带宽提升到约 3 倍。

3.2 网桥层（Bridge）

网桥（Node.js 或 Python）负责接收 ESP32 的 CSI 流、做缓冲与对齐，然后调用相位净化与特征提取。它既可以用 Docker 跑（内置仿真数据，无需硬件即可体验），也可以直连真实 ESP32。

3.3 净化与特征层：PhaseSanitizer

这一步就是第二节提到的相位净化：解卷绕 + 去除子载波方向的线性倾斜 + 生命体征带通滤波。净化后的相位张量（形状约为 [帧数, 子载波数]）是后续所有模型的输入。

3.4 模型层：对比编码器 + 姿态头

RuView 的模型设计很有层次：

• 对比编码器（Contrastive Encoder）：128 维自监督对比学习得到的 CSI 嵌入，在 M4 Pro 上可达 164,183 emb/s；4-bit 量化版仅 8KB，小到能塞进树莓派微秒级推理，甚至直接跑在 ESP32 上；
• 姿态头（Pose Head）：基于 Graph Transformer + Cross-Attention 的架构，加载 pose_v1.safetensors（Candle 推理），输出 17 个人体关键点（DensePose 风格）。在 MM-Fi 数据集 random_split 协议上，RuView 的 wifi-densepose-mmfi-pose 达到 82.69% 的 torso-PCK@20（集成版 83.59%），超过了 MultiFormer（72.25%）与 CSI2Pose（68.41%）；
• v2 编码器：诚实重测后的留一时序三元组（temporal-triplet）准确率为 82.3%（早先「100% 存在检测」的单类录制数字已被官方撤回）。

3.5 边缘模块层（Edge Modules / Cogs）

模型之上是一套 105 个 Cog 模块目录，覆盖健康、安防、楼宇、零售、工业、科研等场景。它们体积小、可在 ESP32 上本地运行，例如：跌倒检测（相位加速度阈值 + 三帧去抖 + 5 秒冷却，延迟 < 200ms）、多人计数、呼吸 / 心率提取、房间活动识别。

3.6 集成层：智能家居与 Matter

RuView 通过 HA-DISCO MQTT 发布器一键接入 Home Assistant（--mqtt 一个参数即可），每个节点暴露 21 个实体（11 路原始信号 + 10 路语义状态，如「有人睡眠 / 可能遇险 / 房间活跃 / 老人久未活动异常 / 跌倒风险升高」等），并附带 3 个 HA Blueprint。它还能作为 Matter Bridge 配对进 Apple Home / Google Home / Alexa / SmartThings，让 Siri、Google Assistant、Alexa 直接用语音播报「某房间是否有人、生命体征如何」。

3.7 部署拓扑：从单节点到 Mesh

最小可用系统是「一块 ESP32-S3 + 一台网桥（树莓派）」。但 RuView 的真实威力在多节点 Mesh：3–6 块 ESP32 组成的网格能以不同视角照射同一空间，用三角化提升定位精度、用多径多样性抑制遮挡。完整方案再加入 Cognitum Seed（约 140 美元 BOM 总和）——它提供持久化向量库、kNN 检索与 Ed25519 证人链，让系统「记住」环境并支持防篡改审计。对预算敏感的场景，纯 ESP32 Mesh（约 54 美元）已能覆盖存在、运动、呼吸、心率、跌倒与多人计数等核心能力。

四、代码示例：亲手把 WiFi 变成传感器

下面三段代码覆盖了「净化 → 采集 → 接入智能家居」三个关键环节。

4.1 PhaseSanitizer：相位净化核心实现

下面这段 PhaseSanitizer 类提炼自 RuView 的 phase_sanitizer.py 思路，依赖 numpy 与 scipy，可直接用于真实 CSI 数据：

import numpy as np
from scipy.signal import butter, filtfilt


class PhaseSanitizer:
    """RuView 相位净化器：把原始 CSI 相位还原为可被深度学习模型使用的干净信号。

    核心两步：
      1. 跨子载波 + 跨时间联合解卷绕（unwrap）；
      2. 拟合并减去「相位沿子载波序号的线性倾斜」，该倾斜来自采样频率偏移(SFO)
         与包检测(Packet Detection)的 timing 抖动，与人体无关，必须剔除。
    """

    def __init__(self, n_subcarriers: int = 52, fs: float = 1000.0):
        self.n_subcarriers = n_subcarriers
        self.fs = float(fs)  # CSI 帧率（Hz），ESP32 常设 1000 可调

    # ------------------------------------------------------------------
    def raw_phase(self, csi_complex: np.ndarray) -> np.ndarray:
        """从复数 CSI 提取原始相位角。

        csi_complex: shape [n_frames, n_subcarriers]，每元素为 H(k)=a+bj
        返回: 形状相同的相位角，值域 [-π, π]
        """
        return np.angle(csi_complex)

    # ------------------------------------------------------------------
    def unwrap_phase(self, phase: np.ndarray) -> np.ndarray:
        """跨子载波 + 跨时间联合解卷绕，消除 ±π 跳变。"""
        phase = np.unwrap(phase, axis=-1)  # 先沿子载波方向
        phase = np.unwrap(phase, axis=0)    # 再沿时间方向
        return phase

    # ------------------------------------------------------------------
    def sanitize_packet_detection(self, phase_unwrapped: np.ndarray) -> np.ndarray:
        """核心净化：消除 SFO / 包检测引入的线性相位倾斜。

        对每一帧 k 拟合 φ = a·i + b（i 为子载波序号），减去线性项。
        phase_unwrapped: shape [n_frames, n_subcarriers]
        返回: 净化后相位，同形状
        """
        i = np.arange(self.n_subcarriers)
        A = np.vstack([i, np.ones_like(i)]).T            # 设计矩阵 [i, 1]
        # lstsq 一次解出所有帧的 [a, b]，coeffs shape = [2, n_frames]
        coeffs, *_ = np.linalg.lstsq(A, phase_unwrapped.T, rcond=None)
        a, b = coeffs[0], coeffs[1]                      # 各 shape [n_frames]
        linear = a[:, None] * i[None, :] + b[:, None]    # 重建线性倾斜
        return phase_unwrapped - linear

    # ------------------------------------------------------------------
    def bandpass(self, sig_1d: np.ndarray, low: float, high: float) -> np.ndarray:
        """4 阶巴特沃斯带通滤波。"""
        nyq = 0.5 * self.fs
        b, a = butter(4, [low / nyq, high / nyq], btype="band")
        return filtfilt(b, a, sig_1d)

    # ------------------------------------------------------------------
    def breathing_rate(self, sanitized: np.ndarray, fs: float = 20.0) -> float:
        """呼吸率：取中频子载波时间序列，0.1–0.5 Hz 带通 + 过零检测，返回 BPM。"""
        sig = sanitized[:, self.n_subcarriers // 2]
        sig = self.bandpass(sig, 0.1, 0.5)
        zero_cross = int(np.sum(np.diff(np.sign(sig)) != 0))
        duration_s = len(sig) / fs
        # 一次完整呼吸 = 2 次过零 → BPM = zero_cross / duration * 30
        return zero_cross / duration_s * 30 if duration_s > 0 else 0.0

    # ------------------------------------------------------------------
    def heart_rate(self, sanitized: np.ndarray, fs: float = 20.0) -> float:
        """心率：0.8–2.0 Hz 带通 + 过零检测，返回 BPM。"""
        sig = sanitized[:, self.n_subcarriers // 2]
        sig = self.bandpass(sig, 0.8, 2.0)
        zero_cross = int(np.sum(np.diff(np.sign(sig)) != 0))
        duration_s = len(sig) / fs
        return zero_cross / duration_s * 30 if duration_s > 0 else 0.0


# 典型调用流程
# csi = load_csi_from_esp32()                       # [frames, subcarriers] 复数
# ps = PhaseSanitizer(n_subcarriers=csi.shape[1])
# phi = ps.raw_phase(csi)
# phi = ps.unwrap_phase(phi)
# phi_clean = ps.sanitize_packet_detection(phi)
# bpm = ps.breathing_rate(phi_clean)

README 给出的实测区间与此一致：呼吸 6–30 BPM、心率 40–120 BPM，均为实时；存在检测延迟 < 1ms，环境校准约 30 秒。

4.2 ESP32 端：开启 CSI 监听（ESP-IDF C）

下面是 RuView esp32-csi-node 固件思路的最小可运行骨架。关键点在于 esp_wifi_set_csi(true) 与回调注册：

#include "esp_wifi.h"
#include "esp_event.h"

// CSI 接收回调：每收到一个包就被调用一次
static void csi_rx_cb(void *ctx, wifi_csi_info_t *info) {
    if (!info || !info->buf) return;
    const wifi_csi_item_t *items = (const wifi_csi_item_t *)info->buf;
    uint16_t len = info->len;          // 子载波个数
    // 这里把 items（每个含 int8 实部/虚部的定点数）通过 UDP / WebSocket 推给网桥
    send_csi_over_udp(items, len * sizeof(wifi_csi_item_t));
}

void app_main(void) {
    esp_netif_init();
    esp_event_loop_create_default();
    wifi_init_config_t cfg = WIFI_INIT_CONFIG_DEFAULT();
    esp_wifi_init(&cfg);

    // 开启 CSI 并注册回调
    esp_wifi_set_csi(true);
    esp_wifi_set_csi_rx_cb(csi_rx_cb, NULL);

    // CSI 配置：启用 L-LTF / HT-LTF，开启子载波合并与移位
    wifi_csi_config_t csi_conf = {
        .lltf_en = true,
        .htltf_en = true,
        .stbc_htltf2_en = true,
        .ltf_merge_en = true,
        .channel_filter_en = true,
        .manu_scale = true,
        .shift = true,
    };
    esp_wifi_set_csi_config(&csi_conf);
    esp_wifi_start();
}

烧录命令（来自官方文档）大致是：

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
python firmware/esp32-csi-node/provision.py --port COM9   --ssid "YourWiFi" --password "secret" --target-ip 192.168.1.20

ESP32-C6 款（约 6–10 美元，支持 WiFi 6）复用同一套固件，编译目标切到 esp32c6 即可，还能拿到 HE-LTF 子载波标记与 802.15.4 mesh 时间同步等研究特性。

4.3 智能家居接入：Home Assistant MQTT 发布器

RuView 用 paho-mqtt 把推断结果以 Home Assistant MQTT Discovery 格式发布。下面是一段精简的 RuViewMqttClient：

import json
import paho.mqtt.client as mqtt


class RuViewMqttClient:
    """把 RuView 推断结果以 HA MQTT Discovery 格式发布，零配置接入 Home Assistant。"""

    def __init__(self, broker: str = "192.168.1.10", port: int = 1883,
                 node: str = "living_room"):
        self.node = node
        self.client = mqtt.Client()
        self.client.connect(broker, port, keepalive=60)
        self.client.loop_start()
        self.discovery_base = f"homeassistant/sensor/ruview_{node}"

    def publish_presence(self, present: bool, confidence: float) -> None:
        # 1) 先发一次 retain 的「自动发现」配置，HA 会自动出现该实体
        cfg = {
            "name": f"RuView {self.node} 存在",
            "state_topic": f"ruview/{self.node}/presence",
            "device_class": "presence",
            "unique_id": f"ruview_{self.node}_presence",
            "value_template": "{{ value_json.present }}",
            "json_attributes_topic": f"ruview/{self.node}/presence",
        }
        self.client.publish(f"{self.discovery_base}_presence/config",
                            json.dumps(cfg), retain=True)
        # 2) 再发实时状态
        self.client.publish(f"ruview/{self.node}/presence",
                            json.dumps({"present": present,
                                        "confidence": round(confidence, 3)}))

    def publish_vitals(self, breathing_bpm: float, heart_bpm: float) -> None:
        self.client.publish(f"ruview/{self.node}/vitals",
                            json.dumps({"breathing": round(breathing_bpm, 1),
                                        "heart": round(heart_bpm, 1)}))


# 用法：与 RuView 网桥的推断循环拼接
# mq = RuViewMqttClient(node="bedroom")
# mq.publish_presence(present=True, confidence=0.91)
# mq.publish_vitals(bpm_breath, bpm_heart)

有了这层，你就可以在 Home Assistant 里写自动化：「卧室检测到有人且呼吸异常 → 推送通知给子女」；或在 Apple Home 里问 Siri：「卧室有人吗？」

五、性能优化：把模型塞进 8KB

RuView 的一大工程亮点是「性能与成本的极致平衡」，对程序员很有启发：

优化手段主要有四招：

1. 量化到 4-bit：对比编码器量化后仅 8KB，推理从「秒级」降到「微秒级」，直接下沉到边缘；
2. 相位方差回退（phase-variance fallback）：简单存在检测不依赖任何神经网络，纯相位方差统计即可，延迟 < 1ms，适合电池节点的极速唤醒；
3. 多频 Mesh + 邻居照射：6 信道跳频 + TDM 调度把感知带宽拉到约 3 倍，相当于「白嫖」邻居路由器的信号当雷达源；
4. 脉冲神经网络（SNN）本地自适应：环境变化（挪了家具）时，SNN 能在 30 秒内本地重学，无需重新训练大模型。

模型本身也已上架 Hugging Face（ruvnet/wifi-densepose-pretrained、ruvnet/wifi-densepose-mmfi-pose），pip install ruview（或 wifi-densepose）即可拿到编译好的 PyO3 轮子（约 250KB，支持 Linux/macOS/Windows）。

六、隐私与合规：无摄像头不等于无责任

这一部分可能是全文最重要、却最容易被工程师忽略的一节。技术越「无感」，越容易在当事人不知情的情况下持续采集——正因如此，做感知系统的人必须主动把隐私当成「功能」而不是「合规负担」来设计，而不是等项目上线被投诉了才补。

「不装摄像头」常被当作隐私卖点，但 WiFi 感知仍然是个人信息处理——它能推断谁在房间、是否独处、睡眠与作息规律，这些同样敏感，受 GDPR / 国内个人信息保护法约束。RuView 在架构层做了几件对的事：

• 全本地、无云端：信号不出家门，从源头降低泄露面；
• 加密证人链（Ed25519 Witness Chain）：每次测量都做 Ed25519 签名，形成防篡改的证据链，便于审计「数据没被偷偷改过 / 没被外传」；
• 输出是骨架而非像素：模型产出的是 17 个关键点与语义标签，而非可辨识的人脸或身形照片，信息粒度本身更低。

但作为开发者仍需注意：

1. 默认不录制：不要把 CSI 原始流默认落盘，遵循数据最小化；
2. 显式同意：在家庭 / 办公场景部署前取得被感知者同意，尤其是涉及老人、儿童、雇工时；
3. 可关闭、可审计：提供物理开关与查账接口（证人链正是为此）；
4. 区分「存在」与「身份」：尽量只输出「有人 / 无人」语义，避免长期留存可关联到具体个人的射频指纹。

换句话说，WiFi 感知的隐私优势是「架构红利」，不是「免死金牌」——把粗粒度、本地化、可审计三件事坐实，才算真正合规。

七、应用场景与未来方向

WiFi 感知不是要取代摄像头，而是去填摄像头「做不好或不该做」的空白：它不拍脸、不依赖光照、不要求人配合，因此特别适合长期、常态化、对隐私敏感的空间智能。下面分场景看它到底解决了什么真实痛点。

典型场景

• 老人照护：跌倒检测（< 200ms）、久未活动异常、夜间离床告警，免去摄像头对尊严的侵犯；
• 婴儿监护：非接触式呼吸 / 心率监测，不必在婴儿床上架摄像头；
• 智能家居：存在即开灯、无人即休眠，比被动红外更准，且能区分「人走但宠物在」；
• 安防：穿墙入侵检测，作为摄像头的互补传感器。

未来方向

RuView 路线图里最值得关注的两块：一是 Matter Bridge，让 WiFi 感知直接成为主流智能家居生态的一等公民；二是 World Model（OccWorld / TransVQVAE），用 15 帧 CSI 预测未来 occupancy（约 209ms 推理、RTX 5080 上 3.4GB 显存），把「感知现在」推向「预测未来」。此外，Camera depth（MiDaS）+ WiFi CSI + mmWave 的 3D 点云融合（约 22ms 流水线、每帧 19K+ 点）也在推进，目标是统一空间模型。这条路一旦走通，WiFi 感知将从「二维平面上的存在与姿态」升级为「三维空间里的连续理解」，有望与机器人导航、AR 空间锚定等场景打通，让「空间智能」从概念走向日常。

八、局限、挑战与那些「坑」

作为工程师，必须清醒看待 WiFi 感知的边界：

• 多径歧义：房间里金属、镜子、玻璃会造成强反射，姿态估计可能把「镜中虚影」当成人。RuView 用多频扫描与多节点融合缓解，但无法根除；
• 需要一定的信号覆盖：完全被金属屏蔽的卫生间、承重墙后的房间效果会骤降。穿墙约 5 米是「视信号」上限；
• 环境漂移：家具挪动、季节湿度变化都会改变射频指纹，依赖 SNN 的 30 秒本地自适应来跟进；
• 多人重叠：两个人贴得很近时信号会混叠，多人计数需要自适应 P95 归一化与可调去重因子（/api/v1/config/dedup-factor）；
• 监管差异：在部分国家与地区，主动发射并分析无线电做人员监测可能涉及频谱与隐私法规，部署前需确认合规。

九、动手路线图：从仿真到真机

如果你被勾起了兴趣，建议按这个顺序上手，避免一上来就被硬件劝退：

1. 跑通仿真：docker pull ruvnet/wifi-densepose && docker run -p 3000:3000 ruvnet/wifi-densepose，打开 localhost:3000 看整套流水线输出；
2. 装 Python 包：pip install "ruview[client]"，用 SensingClient 读仿真流，RuViewMqttClient 推到本地 Home Assistant；
3. 点亮硬件：买一块 ESP32-S3（约 9 美元），按官方 provision.py 烧录 CSI 固件，把 --target-ip 指向你的网桥；
4. 写第一个净化脚本：把本文的 PhaseSanitizer 接到真实 CSI 流，先验证呼吸率数字是否合理；
5. 接智能家居：加一个 --mqtt，在 HA 里做「卧室有人且久未活动 → 通知」的自动化。

整套链路开源、可复现，是理解「信号即传感器」这件事最便宜的入口。

十、总结

RuView 给我们的最大启示是：传感器不一定需要被「造」出来，它可以一直都在。你家的路由器就是一台被低估的雷达。通过 CSI 抓取、相位净化（PhaseSanitizer）、轻量深度学习（8KB 量化编码器 + Graph Transformer 姿态头）与边缘智能（105 个 Cog 模块），九美元的 ESP32 就能实现无摄像头的人体感知。

对程序员而言，这条技术栈的可玩性极高：从 ESP-IDF 的 CSI 回调，到 numpy 里几行相位净化，再到 paho-mqtt 把结果喂进 Home Assistant，整条链路开源、可复现、可本地部署。它既是对「隐私优先感知」的一次工程示范，也是把学术 WiFi 感知真正落到寻常百姓家的务实尝试。

如果你也想试试，最省事的方式是 docker pull ruvnet/wifi-densepose 用仿真数据跑通整条流水线，再决定要不要花九美元买块 ESP32-S3 真刀真枪地「看穿墙壁」。

最后要强调一点：RuView 的价值不只是技术酷，更在于它把「信号即传感器」这件事开源化、平民化、可审计化。你可以在 GitHub 上读到每一个 Cog 的源码、在 Hugging Face 上核验每一个模型的权重、用证人链追溯每一次测量——这种透明度，恰恰是闭源摄像头方案给不了的。对一个关心隐私时代的程序员来说，这或许比「穿墙」本身更值得玩味。

参考资料：RuView 官方仓库（github.com/ruvnet/RuView）、README 与 ADR 文档、MM-Fi 数据集评测、MIT RF-Pose / WiFi 感知相关论文。文中性能数字均引自 RuView 官方文档与 Hugging Face 模型卡，部分早期「100% 存在检测」表述已被官方撤回，本文采用其诚实重测后的数值。