ruvnet/RuView 来源：https://github.com/ruvnet/RuView

π RuView

测试版软件 — 正在积极开发中。API 和固件可能会变更。已知限制：

• 不支持 ESP32-C3 和原始 ESP32（单核，CSI 数字信号处理算力不足）
• 单个 ESP32 部署的空间分辨率有限 — 使用 2+ 个节点或添加 Cognitum Seed（https://cognitum.one）以获得最佳效果
• 无摄像头的姿态精度有限 — 使用摄像头地面真实训练实现 92.9% PCK@20

欢迎在 Issues（https://github.com/ruvnet/RuView/issues）提交贡献和错误报告。

用 WiFi 透视墙壁

将普通 WiFi 变成感知系统。

检测人员、测量呼吸和心率、跟踪运动、监控房间 — 穿过墙壁、在黑暗中、无需摄像头或可穿戴设备。仅需物理学。

π RuView 是一个 WiFi 感知平台，将无线电信号转化为空间智能。

每个 WiFi 路由器已经用无线电波填满了你的空间。当人们移动、呼吸，甚至静坐时，他们会以可测量的方式干扰这些波。RuView 使用来自低成本 ESP32 传感器的信道状态信息 (CSI) 捕捉这些干扰，并将其转化为可操作的数据：谁在那里、他们在做什么，以及他们是否安好。

它能感知：

• 存在和占用 — 穿过墙壁检测人员、计数、跟踪出入
• 生命体征 — 呼吸频率和心率、非接触式、睡眠或坐着时
• 活动识别 — 行走、坐着、手势、跌倒 — 从时间 CSI 模式
• 环境映射 — 射频指纹识别识别房间、检测移动的家具、发现新物体
• 睡眠质量 — 夜间监测，包括睡眠阶段分类和呼吸暂停筛查

基于 RuVector（https://github.com/ruvnet/ruvector/）和 Cognitum Seed（https://cognitum.one），RuView 完全在边缘硬件上运行 — 一个 ESP32 网格（每个节点仅 $9）配合 Cognitum Seed 实现持久化存储、密码学认证和 AI 集成。无云、无摄像头、无需互联网。

该系统使用脉冲神经网络在本地学习每个环境，在 30 秒内适应，通过 6 个 WiFi 信道的多频率网格扫描，使用邻居的路由器作为免费的雷达照射源。每次测量都通过 Ed25519 见证链进行密码学认证。RuView 还支持姿态估计（通过 WiFlow 架构的 17 个 COCO 关键点），完全无摄像头训练，使用 10 个传感器信号 — 这是一项从卡内基梅隆大学原始 DensePose From WiFi 研究开创的技术。

为低功耗边缘应用而构建

边缘模块是直接在 ESP32 传感器上运行的小程序 — 无需互联网、无云费用、即时响应。

Rust 1.85+（https://www.rust-lang.org/） 许可证：MIT（https://opensource.org/licenses/MIT） 测试：1463（https://github.com/ruvnet/RuView） Docker：多架构（https://hub.docker.com/r/ruvnet/wifi-densepose）

生命体征 ESP32 就绪 crates.io（https://crates.io/crates/wifi-densepose-ruvector）

功能	方式	速度
姿态估计	CSI 副载波幅度/相位 → 17 COCO 关键点	171K emb/s（M4 Pro）
呼吸检测	带通 0.1-0.5 Hz → 零交叉 BPM	6-30 BPM
心率	带通 0.8-2.0 Hz → 零交叉 BPM	40-120 BPM
存在检测	训练模型 + PIR 融合 — 100% 精度	0.012 ms 延迟
透墙	Fresnel 区域几何 + 多径建模	最深 5m
边缘智能	8 维特征向量 + Cognitum Seed 上的 RVF 存储	总 BOM $140
无摄像头训练	10 个传感器信号、无需标签	M4 Pro 上 84s
摄像头监督训练	MediaPipe + ESP32 CSI → 92.9% PCK@20	笔记本电脑上 19 分钟
多频率网格	6 个频段的信道跳转、邻居 AP 作为照射源	3 倍感知带宽

# 选项 1：Docker（模拟数据、无需硬件）
docker pull ruvnet/wifi-densepose:latest
docker run -p 3000:3000 ruvnet/wifi-densepose:latest
# 打开 http://localhost:3000

# 选项 2：带 ESP32-S3 硬件的实时感知（$9）
# 刷写固件、配置 WiFi 并开始感知：
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

# 选项 3：带 Cognitum Seed 的完整系统（$140）
# ESP32 流式传输 CSI → 网桥转发到 Seed 进行持久存储 + kNN + 见证链
node scripts/rf-scan.js --port 5006                      # 实时 RF 房间扫描
node scripts/snn-csi-processor.js --port 5006            # SNN 实时学习
node scripts/mincut-person-counter.js --port 5006        # 正确的人员计数

建议使用 CSI 兼容硬件。 存在检测、生命体征、透墙感知以及所有高级功能都需要来自 ESP32-S3（$9）或研究网卡的信道状态信息 (CSI)。Docker 镜像使用模拟数据运行以供评估。消费级 WiFi 笔记本电脑仅提供 RSSI 级别的存在检测。

实时 CSI 捕捉的硬件选项：

选项	硬件	成本	完整 CSI	功能
ESP32 + Cognitum Seed（推荐）	ESP32-S3 + Cognitum Seed（https://cognitum.one）	~$140	是	姿态、呼吸、心跳、运动、存在 + 持久化向量存储、kNN 搜索、见证链、MCP 代理
ESP32 网格	3-6x ESP32-S3 + WiFi 路由器	~$54	是	姿态、呼吸、心跳、运动、存在
研究网卡	Intel 5300 / Atheros AR9580	~$50-100	是	完整 CSI 3x3 MIMO
任何 WiFi	Windows、macOS 或 Linux 笔记本	$0	否	RSSI 仅：粗存在和运动

没有硬件？用确定性参考信号验证信号处理管道：python v1/data/proof/verify.py

v0.7.0 中的新功能

摄像头地面真实训练 — 92.9% PCK@20

v0.7.0 添加摄像头监督姿态训练，使用 MediaPipe + 真实 ESP32 CSI 数据：

# 采集地面真实（摄像头 + ESP32 同步）
python scripts/collect-ground-truth.py --duration 300 --preview
python scripts/record-csi-udp.py --duration 300

# 将 CSI 窗口与摄像头关键点对齐
node scripts/align-ground-truth.js --gt data/ground-truth/*.jsonl --csi data/recordings/*.csi.jsonl

# 训练 WiFlow 模型（从 lite 开始，随着数据增长而扩展）
node scripts/train-wiflow-supervised.js --data data/paired/*.jsonl --scale lite

# 评估
node scripts/eval-wiflow.js --model models/wiflow-real/wiflow-v1.json --data data/paired/*.jsonl

结果：从一次 5 分钟的数据采集会话（一个 ESP32-S3 和一个 WebCam）中获得 92.9% PCK@20。

预训练模型：HuggingFace ruv/ruview/wiflow-v1（https://huggingface.co/ruv/ruview）

预训练模型（v0.6.0） — 无需训练

从 HuggingFace 下载并立即开始感知

预训练模型在 HuggingFace 上提供：

https://huggingface.co/ruv/ruview（主要） | 镜像（https://huggingface.co/ruvnet/wifi-densepose-pretrained）

在一次 8 小时夜间采集的 60,630 个真实样本上训练。只需下载并运行 — 无需数据集、GPU 或训练。

# 下载并使用（Python）
pip install huggingface_hub
huggingface-cli download ruv/ruview --local-dir models/

# 或直接用于感知管道
node scripts/train-ruvllm.js --data data/recordings/*.csi.jsonl  # 在你的数据上重新训练
node scripts/benchmark-ruvllm.js --model models/csi-ruvllm      # 基准测试

基准（Apple M4 Pro，在夜间数据上重新训练）：

17 个传感应用（v0.6.0）

健康、环境、安全和多频率网格感知

所有应用都从单个 ESP32 + 可选 Cognitum Seed 运行。无摄像头、无云、无互联网。

健康与健康：

环境与安全：

多频率网格（需要 --hop-channels 配置）：

所有脚本支持 --replay data/recordings/*.csi.jsonl 用于离线分析和 --json 用于程序化输出。

v0.5.5 中的新功能

高级感知：SNN + MinCut + WiFlow + 多频率网格

v0.5.5 添加了四种新的感知功能，基于 ruvector（https://github.com/ruvnet/ruvector）生态系统：

# 实时 RF 房间扫描（频谱可视化）
node scripts/rf-scan.js --port 5006 --duration 30

# 正确的人员计数（修复 #348）
node scripts/mincut-person-counter.js --port 5006

# SNN 实时适应
node scripts/snn-csi-processor.js --port 5006

# CNN 谱图嵌入
node scripts/csi-spectrogram.js --replay data/recordings/*.csi.jsonl

# WiFlow 17 关键点姿态训练
node scripts/train-wiflow.js --data data/recordings/*.csi.jsonl

# 在 ESP32 上启用信道跳转
python firmware/esp32-csi-node/provision.py --port COM9 --hop-channels "1,6,11"

验证的基准：

v0.5.4 中的新功能

Cognitum Seed 集成 + 无摄像头姿态训练

v0.5.4 将 RuView 从实时感知工具转变为持久边缘 AI 系统。 你的 ESP32 现在记住它感知的内容、无摄像头学习并用密码学证明其数据。